En este informe se detalla el estudio realizado sobre un dataset que recoge información relevante de las viviendas en la ciudad de Agnes, en Iowa (Estados Unidos). El estudio, intentara mediante un modelo de regresión lineal múltiple, predecir el valor de la vivienda en función de un gran número de variables (tanto continuas como categóricas) que describen prácticamente todos los aspectos que .
Para el control de versiones utilizaremos github. El repositorio se encuentra en https://github.com/AnaFernandezCruz/MetodosAnalisisDatos .
Antes de empezar a realizar el estudio debemos unificar los datos. Inicialmente los disponemos en tres archivos csv, ‘train.csv’, ‘test.csv’ y ‘sample_submission.csv’.
Despues de unirlos bajo un solo dataset, lo separemos de manera aleatoria en dos grupos. El primer grupo sera el 10% del total y lo utilizaremos como validación. Este dataset lo utilizaremos al final del estudio para comprobar como funciona nuestro modelo. El resto de los datos, el 90% faltante, lo utilizaremos para training y testing.
Realizaremos un primer resumen del estado del dataset:
introduce(dataset)
## # A tibble: 1 x 9
## rows columns discrete_columns continuous_colu… all_missing_col…
## <int> <int> <int> <int> <int>
## 1 2628 81 43 38 0
## # … with 4 more variables: total_missing_values <int>, complete_rows <int>,
## # total_observations <int>, memory_usage <dbl>
Vemos que el dataset está dividido en:
Realizaremos un gráfico mirando la distribución de los datos por tipos y otra información que la anterior tabla ya incluía:
plot_intro(dataset)
Como hemos indicado antes, vemos que este gráfico muestra en los valores de “complete rows” un valor del 0%, lo cuál parece indicar un problema con alguna columna en particular. Lo que observamos es que el valor NA es un valor de algunas de las columnas válido, con lo que habría que corregir esto para estas columnas y volver a hacer el análisis. Supondremos que para estas columnas no existe ningún valor genuinamente en blanco:
Alley: NA-No alley access, BsmtQual: NA-No Basement, BsmtCond: NA-No Basement, BsmtExposure: NA-No Basement, BsmtFinType1: NA-No Basement, BsmtFinType2: NA-No Basement, GarageType: NA-No Garage, GarageFinish: NA-No Garage, GarageQual: NA-No Garage, GarageCond: NA-No Garage, PoolQC: NA-No Pool, Fence: NA-No Fence, MiscFeature:NA-None
El siguiente código realiza la transformación anterior:
cols_remove_nas <-c('Alley','BsmtQual','BsmtCond','BsmtExposure','BsmtFinType1','BsmtFinType2','GarageType','GarageFinish','GarageQual','GarageCond','PoolQC','Fence','MiscFeature','FireplaceQu')
dataset <- mutate_at(dataset, cols_remove_nas,
list(~ifelse(is.na(.), 'NA',.)) )
#Dividimos el dataset 70% - 30%
list_split <- dataset %>% split_dataframe(.7)
train <- list_split[[1]] # 70%
test <- list_split[[2]] # 30%
Las variables que nos encontraremos en el dataset son las siguientes:
MSSubClass: La clase de construcción MSZoning: La clasificación general de zonificación LotFrontage: Pies lineales de calle conectados a la propiedad LotArea: Tamaño del solar donde se asienta la casa en pies cuadrados Street: Tipo de acceso por carretera a la propiedad Alley: Tipo de acceso por callejón a la propiedad LotShape: Forma general de propiedad LandContour: Nivelado del terreno en el que se asienta propiedad Utilities: Tipo de utilidades(servicios) disponibles LotConfig: Tipo de solar donde se asienta la propiead LandSlope: Pendiente de la propiedad Neighborhood: Ubicaciones físicas dentro de los límites de la ciudad de Ames Condition1: Proximidad a la carretera principal o ferrocarril Condition2: Proximidad a la carretera principal o al ferrocarril (si hay un segundo) BldgType: Tipo de vivienda HouseStyle: Estilo de vivienda OverallQual: Material general y calidad de acabado OverallCond: Calificación de condición general YearBuilt: Fecha de construcción original YearRemodAdd: Fecha de remodelación RoofStyle: Tipo de techo RoofMatl: Material del techo Exterior1st: Cubierta exterior en la casa Exterior2nd: Revestimiento exterior de la casa (si hay más de un material) MasVnrType: Tipo de chapa de albañilería MasVnrArea: Área de revestimiento de mampostería en pies cuadrados ExterQual: Calidad del material exterior ExterCond: Condición actual del material en el exterior. Foundation: Tipo de cimiento BsmtQual: Altura del sótano BsmtCond: Estado general del sótano BsmtExposure: Paredes de sótano a nivel de jardín o de salida BsmtFinType1: Calidad del área terminada del sótano BsmtFinSF1: Tipo 1 terminado pies cuadrados del sótano BsmtFinType2: Calidad de la segunda área terminada (si está presente) BsmtFinSF2: Pies cuadrados terminados tipo 2 del sótano BsmtUnfSF: Pies cuadrados inacabados de área de sótano TotalBsmtSF: Pies cuadrados totales del área del sótano Heating: Tipo de calefacción HeatingQC: Calidad y condición de calefacción CentralAir: Aire acondicionado central Electrical: Sistema eléctrico 1stFlrSF: Pies cuadrados del primer piso 2ndFlrSF: Pies cuadrados del segundo piso LowQualFinSF: Pies cuadrados terminados de baja calidad (todos los pisos) GrLivArea: Superficie habitable por encima del nivel del suelo (pies cuadrados) BsmtFullBath: Baños completos en el sótano BsmtHalfBath: Medio baño en el sótano FullBath: Baños completos por encima del grado HalfBath: Medio baño por encima del grado Bedroom: Número de dormitorios por encima del nivel del sótano Kitchen: Número de cocinas KitchenQual: Calidad de cocina TotRmsAbvGrd: Total de habitaciones por encima del grado (no incluye baños) Functional: Calificación de funcionalidad doméstica Fireplaces: Número de chimeneas FireplaceQu: Calidad de chimenea GarageType: Ubicación del garaje dentro de la propiedad GarageYrBlt: Año en que se construyó el garaje GarageFinish: Acabado interior del garaje GarageCars: Tamaño del garaje utilizable por automóviles GarageArea: Tamaño del garaje en pies cuadrados GarageQual: Calidad de garaje GarageCond: Condición del garaje PavedDrive: Entrada pavimentada WoodDeckSF: Área de cubierta de madera en pies cuadrados OpenPorchSF: Área de porche abierto en pies cuadrados Porche cerrado: Área de porche cerrado en pies cuadrados EnclosedPorch: Área de porche de tres estaciones en pies cuadrados ScreenPorch: Área del porche de la pantalla en pies cuadrados PoolArea: Área de la piscina en pies cuadrados PoolQC: Calidad de la piscina Fence: Calidad de la cerca MiscFeature: Características varias no cubiertas en otras categorías MiscVal: Valor de la característica miscelánea MoSold: Mes vendido YrSold: Año vendido SaleType: Tipo de venta SaleCondition: Condición de venta
A continuación, dividiremos las variables en las siguientes categorías: * Variables con dominio contínuo y numérico * Variable con dominio numérico discreto * Variables descriptivas nominales (variables que toman valores alfanumérido de un conjunto finito de valores) * Variables descriptivas ordinales (variables que contienen una relación de orden)
El siguiente código realiza la descomposición en dichas categorías para usar con posterioridad:
var_discretas <- c('BsmtFullBath','BsmtHalfBath','FullBath','HalfBath','BedroomAbvGr','KitchenAbvGr','TotRmsAbvGrd','Fireplaces','GarageCars','GarageYrBlt','YearBuilt','YearRemodAdd','YrSold','MoSold')
var_continuas <- c('LotFrontage','LotArea','MasVnrArea','BsmtFinSF1','BsmtFinSF2','BsmtUnfSF','TotalBsmtSF','1stFlrSF','2ndFlrSF','LowQualFinSF','GrLivArea','GarageArea','WoodDeckSF','OpenPorchSF','EnclosedPorch', '3SsnPorch','ScreenPorch','PoolArea','MiscVal','SalePrice')
var_continuas_sin_columnas_imputacion <- c('LotFrontage','LotArea','MasVnrArea','BsmtFinSF1','BsmtFinSF2','BsmtUnfSF','TotalBsmtSF','1stFlrSF','2ndFlrSF','LowQualFinSF','GrLivArea','GarageArea','WoodDeckSF','OpenPorchSF','EnclosedPorch', '3SsnPorch','ScreenPorch','PoolArea','MiscVal','SalePrice')
var_ordinales <- c('LotShape','Utilities','LandSlope','OverallQual','OverallCond','ExterQual','ExterCond','BsmtQual','BsmtCond','BsmtExposure','BsmtFinType1','BsmtFinType2','HeatingQC','CentralAir','Electrical','KitchenQual','Functional','FireplaceQu','GarageFinish','GarageQual','GarageCond','PavedDrive','PoolQC','Fence')
var_nominales <- c('MSSubClass','MSZoning','Street','Alley','LandContour','LotConfig','Neighborhood','Condition1','Condition2','BldgType','HouseStyle','RoofStyle','RoofMatl','Exterior1st',
'Exterior2nd','MasVnrType','Foundation','Heating','GarageType','MiscFeature', 'SaleType','SaleCondition')
var_continuas_discretas = c(var_continuas,var_discretas)
var_continuas_discretas_sin_imputacion = c(var_continuas_sin_columnas_imputacion,var_discretas)
var_modelo = c()
var_columnas_eliminadas = c()
var_transformacion_log = c()
var_eliminar_correlacion = c()
var_creadas_transformacion = c()
variablesReporte <- list(
min = min,
max = max,
mean = mean
)
#skim_with(numeric = variablesReporte, append = FALSE)
#skim(train) %>% pander()
A la hora de tratar con cualquier dataset hay que tener en cuenta que hay datos que pueden faltar. Es importante encontrarlos y tratarlos de manera correcta, pues podrían llevarnos a predecir de manera errónea y el modelo habría que tirarlo a la basura.
Tenemos que tener en cuenta si nuestros datos son de naturaleza
Analizando nuestros datos vemos que nuestros datos faltantes pertenecen al grupo de MAR, ya que podemos tener capacidad o no para obtener cierta información de los domicilios de Boston, pero será totalmente aleatoria. Ésta es una buena noticia, ya que podemos utilizar técnicas de imputación para suplir los datos faltantes.
//Para hacer un análisis de los datos que nos faltan vamos a utilizar la biblioteca VIM. Ésta biblioteca nos será muy útil ya que nos ayuda a analizar las posibles relaciones y estructuras de los valores faltantes e imputados.//
##aggr_plot <- aggr(train, col=c('navyblue','red'), numbers=TRUE, sortVars=TRUE, cex.axis=.7, gap=3, ##ylab=c("Histogram of missing data","Pattern"))
El proceso de detección, tratamiento e imputación de datos faltantes se va a realizar de la siguiente manera:
Analizaremos los grupos antes creados por separado para ver mejor los resultados.
Variables continuas:
missing_data_continuas <- train %>% dplyr::select(var_continuas) %>% plot_missing(theme_config = list(legend.position = "bottom", axis.text.x =element_text(angle = 90),axis.text.y = element_text(size = rel(1))))
Variables discretas:
missing_data_discretas <- train %>% dplyr::select(var_discretas) %>% plot_missing(theme_config = list(legend.position = "bottom", axis.text.x =element_text(angle = 90),axis.text.y = element_text(size = rel(1))))
Variables discretas ordinales:
missing_data_ordinales <- train %>% dplyr::select(var_ordinales) %>% plot_missing(theme_config = list(legend.position = "bottom", axis.text.x =element_text(angle = 90),axis.text.y = element_text(size = rel(1))))
Variables nominales:
missing_data_nominales <- train %>% dplyr::select(var_nominales) %>% plot_missing(theme_config = list(legend.position = "bottom", axis.text.x =element_text(angle = 90),axis.text.y = element_text(size = rel(1))))
Como hay muchas variables que no tienen valores faltantes, vamos a crear un dataset únicamente con las columnas que tienen missings para poder analizar mejor los datos. Para ello:
na_counts <- sapply(train, function(x) sum(is.na(x)))
na_counts_sort <- sort(na_counts, decreasing = TRUE)
na_counts_sort <- na_counts_sort[1:20]
(na_counts_sort)
## LotFrontage GarageYrBlt MasVnrType MasVnrArea MSZoning BsmtFullBath
## 314 96 17 16 2 2
## BsmtHalfBath Exterior1st Exterior2nd BsmtFinSF1 BsmtFinSF2 BsmtUnfSF
## 2 1 1 1 1 1
## TotalBsmtSF Electrical KitchenQual GarageCars GarageArea SaleType
## 1 1 1 1 1 1
## Id MSSubClass
## 0 0
train_na <- train %>% dplyr::select(LotFrontage, MasVnrArea, BsmtFinSF1, BsmtFinSF2, BsmtUnfSF, TotalBsmtSF, GarageArea, GarageYrBlt, BsmtFullBath, BsmtHalfBath, GarageCars, KitchenQual, Electrical, MasVnrType, MSZoning, Exterior1st, Exterior2nd, SaleType)
aggr_plot <- aggr(train_na,col=c('navyblue','red'), numbers=TRUE, sortVars=TRUE, cex.axis=.7, gap=3, ylab=c("Histogram of missing data","Pattern"))
##
## Variables sorted by number of missings:
## Variable Count
## LotFrontage 0.1707449701
## GarageYrBlt 0.0522022838
## MasVnrType 0.0092441544
## MasVnrArea 0.0087003806
## BsmtFullBath 0.0010875476
## BsmtHalfBath 0.0010875476
## MSZoning 0.0010875476
## BsmtFinSF1 0.0005437738
## BsmtFinSF2 0.0005437738
## BsmtUnfSF 0.0005437738
## TotalBsmtSF 0.0005437738
## GarageArea 0.0005437738
## GarageCars 0.0005437738
## KitchenQual 0.0005437738
## Electrical 0.0005437738
## Exterior1st 0.0005437738
## Exterior2nd 0.0005437738
## SaleType 0.0005437738
Ahora podemos prestar verdadera atención a las columnas con datos faltantes.
Si nos fijamos en la columna que más datos faltantes tiene, podemos ver en la descripción del dataset que son la cantidad de pies lineales que hay de acera hasta la puerta de la casa. Además, leyendo la documentación del dataset vemos que los NA’s no significa que no tengan conexión con la acera (un edificio de varios pisos por ejemplo), sino que son datos faltantes. Hemos considerado que una columna con más de un 15% de datos faltantes nos va a desbalancear el dataset drásticamente, por lo que vamos a prescindir de este valor para nuestro estudio y para la imputación de missings, por lo que la borramos del dataset.
aggr_plot <- aggr(train_na,col=c('navyblue','red'), numbers=TRUE, sortVars=TRUE, cex.axis=.7, gap=3, ylab=c("Histogram of missing data","Pattern"))
##
## Variables sorted by number of missings:
## Variable Count
## GarageYrBlt 0.0522022838
## MasVnrType 0.0092441544
## MasVnrArea 0.0087003806
## BsmtFullBath 0.0010875476
## BsmtHalfBath 0.0010875476
## MSZoning 0.0010875476
## BsmtFinSF1 0.0005437738
## BsmtFinSF2 0.0005437738
## BsmtUnfSF 0.0005437738
## TotalBsmtSF 0.0005437738
## GarageArea 0.0005437738
## GarageCars 0.0005437738
## KitchenQual 0.0005437738
## Electrical 0.0005437738
## Exterior1st 0.0005437738
## Exterior2nd 0.0005437738
## SaleType 0.0005437738
Vemos en el último gráfico que, omitiendo la columna con datos faltantes mayor que el 5%, la cantidad de datos faltantes es menor que el 3%. Además vemos en la gráfica de la derecha que lo más habitual es que no falten todos los datos a la vez y a continuación que falten datos de la primera columna “GarageYtBtt”.
d. Proporción datos faltantes.
El siguiente paso es calcular la proporción de datos faltantes por columna. Para el caso en el que la proporción de datos faltantes sea menor que el 3% (0.03) imputaremos a los valores faltantes de variables cuantitativas su mediana o media, mientras que a las variables categóricas les imputaremos la categoría más frecuente. Para las columnas en que la proporcion de datos faltantes sea superior al 3% (0.03) tendremos que utilizar técnicas de imputación más avanzadas. Si en nuestro dataset se diera el caso en el que existen varias columnas de este útlimo tipo habría que realizar un análisis de sensibilidad para comprobar que no hemos alterado la naturaleza del dataset imputando los datos faltantes.
colMeans(is.na(train_na))
## MasVnrArea BsmtFinSF1 BsmtFinSF2 BsmtUnfSF TotalBsmtSF GarageArea
## 0.0087003806 0.0005437738 0.0005437738 0.0005437738 0.0005437738 0.0005437738
## GarageYrBlt BsmtFullBath BsmtHalfBath GarageCars KitchenQual Electrical
## 0.0522022838 0.0010875476 0.0010875476 0.0005437738 0.0005437738 0.0005437738
## MasVnrType MSZoning Exterior1st Exterior2nd SaleType
## 0.0092441544 0.0010875476 0.0005437738 0.0005437738 0.0005437738
Para el caso de las variables cuya proporción de missings es menor que el 3% (<=16 datos por columna) vamos a utilizar el método de imputar un valor de centralidad, en este caso la media. Antes de proceder a imputar, vemos que
Categóricas: MasVnrType, MSZoning, Functional, Electrical, KitchenQual, SaleType, Exterior1st, Exterior2nd, BsmtFullBath, BsmtHalfBath, Utilities.
Cuantitativas: GarageYrBlt, MasVnrArea, GarageCars, GarageArea, BsmtFinSF1, BsmtFinSF2, BsmtUnfSF, TotalBsmtSF.
Para imputar de manera eficaz y sin tener que analizar por separado las variables categóricas de las cuantitativas vamos a utilizar la biblioteca HMISC. Esta biblioteca tiene dos funciones altamente potentes: impute() y aregImpute(). Se diferencian entre sí en que en la segunda puedes utilizar regresiones, bootstrapping y otros métodos para imputar valores.
summary_antes_imputar <- summary(train)
#para las variables cuantitativas con una proporción del faltantes menor que el 3%,
#imputaremos el valor de la media
cuantitativas <- c('MasVnrArea','GarageCars','GarageArea', 'BsmtFinSF1', 'BsmtFinSF2', 'BsmtUnfSF', 'TotalBsmtSF','BsmtFullBath', 'BsmtHalfBath')
for (i in cuantitativas){
list_values <- ifelse(is.na(train[[i]]),
round(mean(train[[i]], na.rm=TRUE), 0), train[[i]])
train[[i]] <- list_values
}
train
## # A tibble: 1,839 x 80
## Id MSSubClass MSZoning LotArea Street Alley LotShape LandContour Utilities
## <dbl> <dbl> <chr> <dbl> <chr> <chr> <chr> <chr> <chr>
## 1 1989 60 RL 8010 Pave NA IR1 Lvl AllPub
## 2 1692 60 RL 12891 Pave NA IR1 Lvl AllPub
## 3 2885 70 RL 14210 Pave NA IR1 Lvl AllPub
## 4 2800 30 RM 9000 Pave NA Reg Lvl AllPub
## 5 1435 20 RL 17400 Pave NA Reg Low AllPub
## 6 1468 60 RL 8402 Pave NA IR1 Lvl AllPub
## 7 2595 20 RL 6718 Pave NA IR1 Lvl AllPub
## 8 768 50 RL 12508 Pave NA IR1 Lvl AllPub
## 9 2231 60 RL 12018 Pave NA IR1 HLS AllPub
## 10 385 60 RL 53107 Pave NA IR2 Low AllPub
## # … with 1,829 more rows, and 71 more variables: LotConfig <chr>,
## # LandSlope <chr>, Neighborhood <chr>, Condition1 <chr>, Condition2 <chr>,
## # BldgType <chr>, HouseStyle <chr>, OverallQual <dbl>, OverallCond <dbl>,
## # YearBuilt <dbl>, YearRemodAdd <dbl>, RoofStyle <chr>, RoofMatl <chr>,
## # Exterior1st <chr>, Exterior2nd <chr>, MasVnrType <chr>, MasVnrArea <dbl>,
## # ExterQual <chr>, ExterCond <chr>, Foundation <chr>, BsmtQual <chr>,
## # BsmtCond <chr>, BsmtExposure <chr>, BsmtFinType1 <chr>, BsmtFinSF1 <dbl>,
## # BsmtFinType2 <chr>, BsmtFinSF2 <dbl>, BsmtUnfSF <dbl>, TotalBsmtSF <dbl>,
## # Heating <chr>, HeatingQC <chr>, CentralAir <chr>, Electrical <chr>,
## # `1stFlrSF` <dbl>, `2ndFlrSF` <dbl>, LowQualFinSF <dbl>, GrLivArea <dbl>,
## # BsmtFullBath <dbl>, BsmtHalfBath <dbl>, FullBath <dbl>, HalfBath <dbl>,
## # BedroomAbvGr <dbl>, KitchenAbvGr <dbl>, KitchenQual <chr>,
## # TotRmsAbvGrd <dbl>, Functional <chr>, Fireplaces <dbl>, FireplaceQu <chr>,
## # GarageType <chr>, GarageYrBlt <dbl>, GarageFinish <chr>, GarageCars <dbl>,
## # GarageArea <dbl>, GarageQual <chr>, GarageCond <chr>, PavedDrive <chr>,
## # WoodDeckSF <dbl>, OpenPorchSF <dbl>, EnclosedPorch <dbl>,
## # `3SsnPorch` <dbl>, ScreenPorch <dbl>, PoolArea <dbl>, PoolQC <chr>,
## # Fence <chr>, MiscFeature <chr>, MiscVal <dbl>, MoSold <dbl>, YrSold <dbl>,
## # SaleType <chr>, SaleCondition <chr>, SalePrice <dbl>
#para variables categoricas con una proporción de datos faltantes menor que el 3%
#vamos a imputar el valor más frecuente.
categoricas <- c('MasVnrType', 'MSZoning', 'Functional', 'Electrical',
'KitchenQual', 'SaleType', 'Exterior1st', 'Exterior2nd', 'Utilities')
for (i in categoricas){
y = as.data.frame(table(unlist(train[[i]])))
sorted_list <-y[with(y, order(-Freq)),]
frecuent_value <- sorted_list$Var1[1]
list_values <- c()
for(j in 1:length(train[[i]])) {
if(is.na(train[[i]][j])) {
train[[i]][j] = frecuent_value
na.rm=TRUE
list_values = c(list_values, train[[i]][j])
}
else {
list_values = c(list_values, train[[i]][j])
}
}
train[[i]] <- list_values
}
summary_despues_imputar <- summary(train)
Solo nos faltaría una variable por imputar sus valores: GarageYrBlt. Esta columna indica el año en el que se construyó el garaje de la propiedad. No lo vamos a imputar con el valor medio ya que la proporción de datos faltantes es mayor al 3%, así que lo que proponemos para su imputación es lo siguiente: ya que conocemos el vecindario al que pertenecen los pisos, es lógico que el año de construcción del garaje sea similar para todo el vecindario. Vamos a proceder a agrupar los garages por vecindario e imputaremos el año medio correspondiente.
vecindario_precioGaraje<- train %>% dplyr::select(Neighborhood, GarageYrBlt)
vecindario_agrupado <- vecindario_precioGaraje %>%
group_by(Neighborhood) %>%
summarise(mean_data = round(mean(GarageYrBlt,na.rm=TRUE),0))
summary(vecindario_agrupado)
## Neighborhood mean_data
## Length:25 Min. :1945
## Class :character 1st Qu.:1968
## Mode :character Median :1976
## Mean :1978
## 3rd Qu.:1995
## Max. :2005
#En la variable grouped_list tenemos los vecindarios de Boston y la media del año
#en el que fueron construidos sus garajes. Esos son los valores que usaremos para imputar.
year_corregido<- c()
for(j in 1:length(vecindario_precioGaraje$GarageYrBlt)) {
if(is.na(vecindario_precioGaraje$GarageYrBlt[j])) {
#obtenemos el vecindario correspondiente al NA
vecindario = vecindario_precioGaraje$Neighborhood[j]
#ahora que conocemos el vecindario, tenemos que saber cual es el año que le corresponde
#Dentro de la lista de vecindarios, sacamos su numero de fila
index_vecindario = which(grepl(vecindario, vecindario_agrupado$Neighborhood))
#Entramos en este if porque hay dos vecindarios: Sawyer y SawyerW. Cuando buscamos el
#de Sawyer nos da el indice de los dos vecindarios, asi que nos quedamos con el primero.
if (length(index_vecindario)>1){
index_vecindario = index_vecindario[1]
}
year_a_imputar = vecindario_agrupado[index_vecindario,2]
na.rm=TRUE
year_corregido<-c(year_corregido,year_a_imputar)
}
else {
year_corregido<-c(year_corregido,vecindario_precioGaraje$GarageYrBlt[j])
next
}
}
year_corregido<- unlist(year_corregido)
length(year_corregido)
## [1] 1839
#actualizamos la columna en el dataset
train["GarageYrBlt"]<-year_corregido
train$GarageYrBlt
## [1] 2002 2002 1930 1948 1977 1998 2001 1989 2008 1992 1994 2006 2007 1968
## [15] 1977 1973 1984 1935 1968 1991 2002 1970 2006 1993 1956 1995 1976 1978
## [29] 2001 1938 1967 2007 1955 2000 2006 1968 1970 1999 1921 2003 2003 1993
## [43] 1969 1996 1987 2005 1999 1956 1970 1968 1930 2004 2005 1965 1948 2006
## [57] 1956 1918 2004 1920 1950 2008 1967 1995 1976 1965 1966 1991 1931 1969
## [71] 1964 1999 1972 1980 1968 2008 1954 2008 2009 2002 1999 1957 1976 2005
## [85] 2006 1900 2004 1987 1951 1963 1946 1948 1991 1926 1957 1987 2009 1949
## [99] 1963 2004 2009 1959 1953 1994 1999 1954 2008 1969 1983 1999 2000 1993
## [113] 1978 2008 1985 1954 2006 1965 2004 1993 1969 1963 1973 1949 1954 1994
## [127] 1960 1960 1972 1950 1971 1951 1950 1980 2006 2006 2003 1997 1985 1968
## [141] 2006 1920 1908 1970 2001 2005 1990 2005 1977 1976 1951 1996 1994 2010
## [155] 2007 2006 1989 1996 2005 1999 1946 2004 1962 1968 1976 1977 1956 2004
## [169] 1975 2004 1976 1958 1959 2006 1964 1961 1985 1978 2003 1964 1994 2000
## [183] 1968 2003 1966 2005 1994 1999 1910 1980 1972 1970 1958 1976 1999 2009
## [197] 1965 2004 1979 2003 1974 1920 1959 1998 1959 1961 2004 1965 1990 1997
## [211] 1999 1997 1949 1973 2005 2004 1977 1949 1950 1995 1948 1975 1994 2005
## [225] 1985 1997 2007 1971 1993 2000 1963 1978 2000 1974 1958 2005 1951 1998
## [239] 2006 1968 1959 1994 2008 1969 1999 1949 1933 1979 2001 2008 1989 1928
## [253] 1920 1931 1977 1960 1966 1972 1961 1983 1948 1996 1989 2004 1959 1941
## [267] 1996 1980 1962 2006 1956 1978 1954 1955 2008 1947 1968 2007 2002 1990
## [281] 1990 1920 1974 1966 2005 2009 1996 2003 1983 2007 1997 2000 2008 1975
## [295] 1955 2004 2004 1953 1986 2006 1960 2004 1968 1922 1970 1950 2005 1930
## [309] 1918 2009 1956 2001 1961 1957 1976 1964 1950 1986 2005 2008 1920 1979
## [323] 1992 1939 1979 1999 1974 1948 2004 2008 1978 1968 1948 1996 1949 1951
## [337] 2005 2005 2007 2006 1998 2007 1930 1961 1941 1968 2005 1968 1964 1997
## [351] 2001 1977 1970 1968 1976 1964 1993 1995 1984 1922 1997 1932 1939 2009
## [365] 1941 1951 1962 2005 1958 1978 1997 1968 1965 1979 1945 1948 2007 1950
## [379] 1988 1972 2008 1981 2007 1983 1969 2007 1962 1970 1962 1988 1968 1963
## [393] 2002 2006 1920 1997 1979 1998 1957 1956 1999 1948 2007 1998 2007 1946
## [407] 1938 2003 1976 2005 1977 1991 1960 2006 2006 1974 2005 2008 1980 1976
## [421] 1981 1978 2006 1974 1956 1963 1931 1969 2006 2002 1957 1998 1978 1945
## [435] 1974 1993 1979 1993 1988 1988 1954 1959 1941 1968 1956 1983 1938 2004
## [449] 1998 1951 1928 1977 2003 1958 1997 2001 1956 2005 2005 2003 1977 1959
## [463] 1967 1967 1968 2006 2007 1977 1959 1993 1974 1985 1935 1921 1983 1997
## [477] 1966 1977 1963 1974 2006 1958 2004 2005 1956 1990 2005 1984 1958 2001
## [491] 1971 1999 1956 1954 2007 1963 1956 2005 1974 1998 2006 1956 2006 1974
## [505] 2007 1996 1951 1965 1954 1956 2005 2005 1920 1979 1958 2000 1920 1978
## [519] 2006 2009 1983 2003 1965 1969 2003 1973 1977 1951 1951 1953 1950 1949
## [533] 2004 1971 1969 1951 1956 1998 1977 1939 1976 1953 1966 1991 1953 1930
## [547] 2005 1998 1994 1982 1940 2002 1922 2008 1969 2007 1956 1966 2005 2009
## [561] 2005 1948 2003 1997 1977 2007 1926 1977 2007 2007 2001 1958 1915 1997
## [575] 1964 1963 1980 2004 2003 2003 2007 2007 1960 2007 1952 1957 1978 1973
## [589] 1965 2007 1970 1998 2001 1910 1938 1998 2002 1997 2001 2005 2004 1959
## [603] 2005 1977 1968 1976 1979 1975 1953 2001 1948 1934 2001 1963 1950 1974
## [617] 2006 2006 1947 1971 2006 1974 1939 1959 2006 2004 1951 2008 1957 1916
## [631] 1926 2000 1955 1977 2005 1968 1995 2007 1968 1994 1928 1997 1968 2005
## [645] 1966 2006 1959 1960 2001 1957 2007 1992 1974 1965 1951 1986 1962 1960
## [659] 1992 1915 1951 2001 1997 1981 2002 1970 1920 1989 1930 1964 2004 1940
## [673] 1977 1993 1970 2008 1964 1958 1995 1992 1993 1953 1975 1983 1945 1955
## [687] 1994 1968 1973 1965 1966 1955 1969 1925 2006 2007 1954 2006 2008 1968
## [701] 1954 2005 1968 1996 1982 1949 1996 1978 1993 1955 1968 2003 2002 1950
## [715] 1953 1957 1984 1955 1976 1939 2004 1963 1963 1920 1964 1966 1990 1988
## [729] 1924 2002 1985 1984 1993 1966 1972 1988 1988 1995 1951 1965 1984 1957
## [743] 1997 1997 1999 2005 1993 2003 1965 1978 1996 2006 2004 1968 1963 1940
## [757] 1939 1920 1974 1984 1935 1970 2006 1953 1998 1994 1968 1932 1997 1980
## [771] 1994 1974 1929 1990 1964 1975 2007 1920 1939 2004 1972 1960 1966 1985
## [785] 1980 1995 1979 1960 1970 1969 2005 1938 1999 1956 1935 2000 1954 1961
## [799] 1958 2006 1968 2007 2005 1998 1925 1992 2002 2006 2004 2002 1945 1969
## [813] 1936 1989 2000 1948 2008 1954 2004 2002 1981 2001 2005 1973 1958 2003
## [827] 1968 1970 1993 2006 1926 1957 2004 2000 1963 2003 1951 2004 2004 1965
## [841] 1968 1996 1920 2003 1980 1999 1973 1938 1972 1977 2004 1967 1955 1989
## [855] 1948 1976 1991 1973 1977 1930 2003 2005 2003 1960 2005 1992 2005 2007
## [869] 1997 1958 1950 1962 1969 2005 1985 1990 1978 1958 1948 2005 1994 1934
## [883] 1978 1973 2001 2005 2007 2001 1941 1942 1968 1962 1994 1987 2005 1928
## [897] 1982 2002 1998 1953 1952 1999 1999 1966 1998 1993 1939 2005 1967 1965
## [911] 2004 2006 1918 2007 2008 1975 1992 1996 1993 1957 1998 1999 1957 1993
## [925] 1978 2005 1982 2005 2006 1977 1957 1961 1970 2002 1951 1985 1950 1995
## [939] 1968 1986 1967 1996 1987 1990 1993 1928 1950 1986 1957 1920 1924 1998
## [953] 1945 1952 1951 1971 1940 1994 2008 1957 1970 1965 1959 1950 2006 1974
## [967] 1989 1930 1965 1960 1964 1976 1977 1906 1953 1940 1978 1939 1927 1971
## [981] 1949 2002 2001 2010 2001 1965 1990 2003 1972 2006 2005 1973 1949 1940
## [995] 1950 1937 1997 2006 1991 1994 1997 2005 1973 1993 2008 1975 1957 2003
## [1009] 1923 1977 1976 1973 2007 1992 1985 2001 1995 1962 1992 1942 2003 2008
## [1023] 1996 1998 1936 1984 1984 2010 1967 1976 1962 1950 1974 1930 2003 2006
## [1037] 2003 1925 1935 1929 2004 1959 1994 1980 2007 2007 1964 2005 1980 1968
## [1051] 2004 1979 1950 2006 1925 2007 2005 2005 1969 1983 1988 1964 1956 2009
## [1065] 1980 1948 1962 1998 1940 2007 1956 2006 1971 1977 2003 1976 1968 1949
## [1079] 1954 1976 1949 1980 1948 1998 1990 2004 1962 1971 1950 1967 1976 1995
## [1093] 2006 1951 1958 1966 2003 1979 1956 2006 1969 1957 2003 1951 1961 1971
## [1107] 1976 1958 1985 1961 1975 1998 1930 1939 1955 2003 1972 2006 1962 1959
## [1121] 1958 1958 1996 2002 1996 1961 1976 1999 1955 1951 1951 2002 1936 1925
## [1135] 1940 1955 1977 1993 1999 1900 2004 1956 2005 2000 1914 1975 2007 1980
## [1149] 1993 2003 1960 2007 1950 1977 1975 2005 1997 1967 1910 1970 1953 1969
## [1163] 2003 1989 1967 1923 1977 1959 2000 1999 1956 1962 1990 2005 1979 2006
## [1177] 1987 1938 1968 2007 1953 2000 2003 1973 1977 1968 2004 1926 1958 1994
## [1191] 1977 2008 1924 1998 2001 1966 2003 2000 2007 2009 1966 1950 1948 2006
## [1205] 1959 1968 1973 2004 1990 1954 1968 2007 1950 1967 1952 1992 1975 1991
## [1219] 1950 1965 1958 1952 2004 2001 1950 1926 2000 1988 1958 1993 1939 1965
## [1233] 1926 1968 1968 1976 1946 1977 1950 1960 1956 1948 1986 1973 1979 1999
## [1247] 1948 2005 1995 1972 2006 1960 1973 2001 2008 1895 1936 2003 1994 2003
## [1261] 2004 1989 1965 2005 1954 1961 2008 1968 1959 1994 1998 1974 1979 2009
## [1275] 1956 1950 1995 1920 1925 1942 1950 2005 2007 2006 1930 2005 2003 1957
## [1289] 1925 2000 1916 1996 1993 1994 1952 1930 1920 2003 1954 1994 1972 1940
## [1303] 1959 1978 1946 1976 1921 1977 2005 1974 2005 2007 1968 1977 1962 1998
## [1317] 1975 1964 1953 1981 1961 1965 1977 1992 1983 2005 1998 2007 1967 1960
## [1331] 1970 1965 2003 1958 1993 1998 1937 1925 2006 1991 2007 2006 1998 1993
## [1345] 1965 2005 1991 1989 1950 1998 1948 1960 2006 1962 2004 1922 1963 1910
## [1359] 2005 2009 1991 1991 1963 1939 1998 1910 2007 1983 1995 1952 1963 2008
## [1373] 1950 1964 1961 1926 1974 1980 2003 1977 1975 2003 1964 2007 1978 1968
## [1387] 2007 1982 1954 1978 1976 2003 1926 1981 1950 1948 2007 2007 2007 2006
## [1401] 2007 2005 1966 1974 1976 1999 1984 2008 1941 1994 2008 1964 1999 1995
## [1415] 1967 1979 1973 1950 2002 2003 1960 1920 1920 1949 1958 1917 1945 1969
## [1429] 2006 1990 1986 2006 1958 1900 2003 1927 1962 2002 1999 1997 2006 2002
## [1443] 2004 1961 1990 1964 1945 1962 2000 1996 2000 1966 2007 1956 1961 2006
## [1457] 1978 1988 2008 1999 1976 1969 2002 1970 1993 1975 1956 1919 2005 1958
## [1471] 1962 1973 2001 2006 1932 1968 1963 1960 1953 2005 1920 1998 1997 1994
## [1485] 2000 1958 1972 1967 1945 1998 1967 1963 1990 1967 1978 1999 1940 1978
## [1499] 2008 1968 2003 1999 1968 1973 2000 1950 1994 1921 1966 1976 2000 2004
## [1513] 1976 2003 1958 2005 1956 1993 1964 1998 1942 2002 2001 1971 1916 1968
## [1527] 2005 1966 1973 1936 1994 2001 2008 2009 2006 2003 1968 1986 1951 2000
## [1541] 2006 2003 2006 1974 2004 1965 1963 1995 1998 1957 2006 1976 1948 1995
## [1555] 2000 1950 1987 1951 1998 1977 1945 1961 2007 2005 1978 1988 2007 1992
## [1569] 2007 1993 1974 1928 2006 1966 1980 1990 1958 1959 2006 1988 2007 2006
## [1583] 1992 1956 1980 1969 1915 1955 1950 1976 2004 1985 1934 2005 1941 1966
## [1597] 1977 2002 1965 2004 2006 1920 1954 1964 1962 1990 2007 1953 1938 1977
## [1611] 2000 1973 2004 1925 2003 1976 2005 1949 2007 1927 1968 2007 2004 2006
## [1625] 1948 1958 1985 1968 1995 2005 1959 1958 1937 1978 1980 1951 1968 2005
## [1639] 2006 1924 2007 1977 1979 1978 2000 2005 1962 1951 1983 1945 1989 1998
## [1653] 1942 1972 1951 1960 2006 2003 1993 1938 2002 2003 2002 2001 1935 1960
## [1667] 1964 1968 1989 2006 1998 1945 1940 1997 1960 2007 1968 1961 1965 1950
## [1681] 1973 2000 1967 1965 1990 1977 1977 1977 1982 1963 1998 1980 1968 2007
## [1695] 1966 2004 1977 1993 1977 1978 1969 1971 2005 1961 1981 1996 1972 1931
## [1709] 1984 1953 1975 1970 1999 2006 1961 1966 1940 1967 2000 1963 1975 1999
## [1723] 1999 2000 1970 1941 1986 2007 1971 1993 1998 2005 1994 1968 1967 2001
## [1737] 1961 2005 1968 1941 1967 2006 1964 1952 1948 2003 1950 1986 2004 2004
## [1751] 1968 2004 1998 1967 1989 1972 2000 2005 2002 2005 2005 2007 1974 1995
## [1765] 1964 2004 1974 1992 1977 1977 1967 1939 2008 1962 1997 2004 1965 2003
## [1779] 1957 1992 2004 2006 2004 2003 2007 1999 1951 1952 2002 1969 1950 2006
## [1793] 1974 1992 1945 2002 1954 1961 1993 1994 2006 1973 1980 1965 2005 1916
## [1807] 2009 1968 1952 1990 1968 1976 2005 1951 2008 2007 1958 1978 2006 1930
## [1821] 2002 1991 1954 1941 1967 1942 1996 1996 1993 1998 1943 2005 2004 1977
## [1835] 1926 1979 1965 1993 1970
vecindario_agrupado2 <- vecindario_precioGaraje %>%
group_by(Neighborhood) %>%
summarise(mean_data = round(mean(GarageYrBlt,na.rm=TRUE),0))
summary(vecindario_agrupado2)
## Neighborhood mean_data
## Length:25 Min. :1945
## Class :character 1st Qu.:1968
## Mode :character Median :1976
## Mean :1978
## 3rd Qu.:1995
## Max. :2005
Y ya tendríamos todas las columnas con missing imputadas.
Ahora comenzaremos con el análisis univariante de los datos del dataset. Empezaremos dicho análisis mostrando un conjunto de histogramas para las variables nominales:
train %>% dplyr::select(var_nominales) %>% plot_bar()
A la vista de estos diagramas, observamos lo siguiente: * Existe una gran cantidad de variables que tienen una varianza muy reducida, tales como Street, Alley, LandContour, Condition1, Condition2, RoofStyle, RoofMtl, Heating, GarageType, SaleCondition. Estas variables pueden ser problemáticas al realizar el proceso de regresión lineal para el que este tipo de varialbes puede ser problemático, por no contar que para estos modelos este tipo de variables tienen muy poco poder predictivo.
El siguiente código detectara las variables que tienen baja varianza e intentara eliminar todas aquellas que no sean significativas en una regresión de ella con la variable salePrice :
elementosBajaVarianza <- nearZeroVar(train,freqCut = 95/5,uniqueCut = 10)
# funcion para eliminar elementos con baja correlacion
lmp <- function (modelobject) {
if (class(modelobject) != "lm") stop("No es un objeto de tipo regresion lineal 'lm' ")
f <- summary(modelobject)$fstatistic
p <- pf(f[1],f[2],f[3],lower.tail=F)
attributes(p) <- NULL
return(p)
}
# estas columna dan problemas, la varible 3SnnPorch empieza por un número y a la hora de ejecutar el modelo para ver si son significativas en la regresión
var_columnas_eliminadas = c(var_columnas_eliminadas,'3SsnPorch')
for(i in colnames(train)[elementosBajaVarianza]) {
if(i != '3SsnPorch') {
modelRegression <- lm(reformulate(termlabels = i, response = 'SalePrice') ,data=train)
if(lmp(modelRegression) >.05) {
var_eliminar_correlacion = c(var_eliminar_correlacion,i)
}
}
}
(var_eliminar_correlacion)
## [1] "Street" "Utilities" "LandSlope" "Condition2" "LowQualFinSF"
## [6] "Functional" "MiscFeature" "MiscVal"
Otra cosa que se observa en los anteriores diagramas es que todas las distribuciones continen un alto grado de asimetría (Skewness), cosa que habrá que tener en cuenta por si hay que realizar algún tipo de transformación sobre ellas en futuros apartados de la práctica:
Ahora realizaremos el mismo análisis con las variables ordinales, que no son otra cosa que variables categóricas pero que encierran una relación de orden interna. El tratamiento de estas variables para transformarlas en categóricas y cambiar el ordenamiento alfabético que R les da por defecto:
train %>% dplyr::select(var_ordinales) %>% plot_bar()
Se observan práctimante las mismas anomalías en en el caso anterior, variables con distribuciones muy alejadas de la normalidad y en muchos casos dichas variables apenas aportan información debido a que la mayoría de los valores están concentrados en una única categoría.
Proseguiremos con las variables contínuas:
var_continuas <- c('LotArea','MasVnrArea','BsmtFinSF1','BsmtFinSF2','BsmtUnfSF','TotalBsmtSF','1stFlrSF','2ndFlrSF','LowQualFinSF','GrLivArea','GarageArea','WoodDeckSF','OpenPorchSF','EnclosedPorch', '3SsnPorch','ScreenPorch','PoolArea','MiscVal','SalePrice')
train %>% dplyr::select(var_continuas) %>% plot_histogram()
Los comentarios que se pueden hacer en este caso son los siguientes:
Muy pocas variables parecen seguir una distribución normal y casi todas tienen un fuerte sesgo hacia la izquierda (y unas pocas a la derecha), sugiriendo para muchas de ellas una transformación de tipo logarítmico. Además, algunas de ellas parecen presentar numerosos “outliers” debido a que el rango de variación de las mismas es muy elevado en una gran parte de los valores finales sin que aparezcan casi valores en los mismos.
La variable “Id” es una especie de clave primária organizadora de las filas y hay que eliminarla en los procesos de regresión.
Nos centraremos ahora en mostrar con mas detalle los histograma y diagramas de densidad de las variables que describen el tamaño en superficie de cada parte en la que se compone una casa:
library(gridExtra)
##
## Attaching package: 'gridExtra'
## The following object is masked from 'package:dplyr':
##
## combine
s1 <- ggplot(data= train, aes(x=GrLivArea)) +
geom_density() + labs(x='Pies cuadrados habitables')
s2 <- ggplot(data=train, aes(x=as.factor(TotRmsAbvGrd))) +
geom_histogram(stat='count') + labs(x='Numero de habitaciones por encima del sótano')
## Warning: Ignoring unknown parameters: binwidth, bins, pad
s3 <- ggplot(data= train, aes(x=`1stFlrSF`)) +
geom_density() + labs(x='Tamaño en Pies cuadrados de la primera planta')
s4 <- ggplot(data= train, aes(x=`2ndFlrSF`)) +
geom_density() + labs(x='Tamaño en Pies cuadrado de la segunda planta')
s5 <- ggplot(data= train, aes(x=TotalBsmtSF)) +
geom_density() + labs(x='Tamaño en metros cuadrados del sótano')
s6 <- ggplot(data= train[train$LotArea<100000,], aes(x=LotArea)) +
geom_density() + labs(x='Tamaño en metros cuadrados del jardin')
#s7 <- ggplot(data= train, aes(x=LotFrontage)) +
# geom_density() + labs(x='Tamaño en metros cuadrados del jardin frontal')
s8 <- ggplot(data= train, aes(x=LowQualFinSF)) +
geom_histogram() + labs(x='Tamaño de espacio no habitale 1ª y 2ª planta')
#layout <- matrix(c(1,2,5,3,4,8,6,7),4,2,byrow=TRUE)
grid.arrange(s1, s2, s3, s4, s5, s6, s8)
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
Observamos que la distribución que siguen se aparta en general de la normalidad y tienen una forma similar al propio histograma del precio de la vivienda. La gráfica que muestra el tamaño en pies cuadrados de la segunda es bimodal, lo que indica que existen 2 tipos de casas diferenciadas (poblaciones distintas).
Ahora realizaremos los mismos gráficos para las variables discretas:
train %>% dplyr::select(var_discretas) %>% plot_histogram()
Comentarios parecidos a el análisis de distribución de las variables contínuas se pueden hacer para estas variables. No obstante merece la pena recalcar que algunas de estas variables (YearBuilt,YearRemodAdd y YrSold) codifican años. En estos casos, para simplificar el modelo y debido a la irregular distribución de las mismas, se dividirán estas variables en rangos (de, por ejemplo, 20 años) y se creará una faceta representando esta división en el apartado de tratamiento de variables cuantitativas.
Por último representaremos en sendos diagramas de barras las variables cualitativas nominales. Estas variables deberán convertirse en columnas de tipo “factor” en el dataset sin que el orden que tengan sea realmente importante.
train %>% dplyr::select(var_nominales) %>% plot_bar(nrow =2,ncol=2)
Observamos que hay una variable nominal que tiene una gran cantidad de valores. Esa variable (denominada “Neighbourhoud”) parece especialmente importante debido a que codifica el barrio al que pertenece la casa puesta a la venta, y parece que será importante en el modelo final, por la evidente correlación que habrá entre los precios de la vivienda y la zona en la que se encuentran. No obstante, es una variable con una gran cantidad de valores distintos, lo cuál podría ser un problema para el modelo de regresión lineal. A continuación realizarmos un par de diagrama de barras mostrando la distribución frente al precio de venta y el número de cassas por vecindario:
library(scales)
##
## Attaching package: 'scales'
## The following object is masked from 'package:purrr':
##
## discard
## The following object is masked from 'package:readr':
##
## col_factor
gr1 <- ggplot(train[!is.na(train$SalePrice),], aes(x=Neighborhood, y=SalePrice)) +
geom_bar(stat='summary', fun.y = "median", fill='blue') +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
scale_y_continuous(breaks= seq(0, 1800000, by=20000), labels = comma) +
geom_label(stat = "count", aes(label = ..count.., y = ..count..), size=3) +
geom_hline(yintercept=150000, linetype="dashed", color = "red")
gr2 <- ggplot(data=train, aes(x=Neighborhood)) +
geom_histogram(stat='count')+
geom_label(stat = "count", aes(label = ..count.., y = ..count..), size=3)+
theme(axis.text.x = element_text(angle = 45, hjust = 1))
## Warning: Ignoring unknown parameters: binwidth, bins, pad
grid.arrange(gr1, gr2)
Una posible manera de quitarnos esta molesta variable es discretizándola por un umbral de precio de venta medio en la zona. Podríamos llamar a las dos colecciones “zona cara” y “zona normal”.
La otra variable categórica que se podría tratar de la misma forma que la anterior es una varible que clasifica a la casa según un cojunto cerrado de valores que a priori no tiene un significado claro para nosotros. Mostramos las mismas gráficas para esta variable para ver si se puede seguir una estrategia similar a la de la anterior variable:
gr1 <- ggplot(train[!is.na(train$SalePrice),], aes(x=MSSubClass, y=SalePrice)) +
geom_bar(stat='summary', fun.y = "median", fill='blue') +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
scale_y_continuous(breaks= seq(0, 800000, by=50000), labels = comma) +
geom_label(stat = "count", aes(label = ..count.., y = ..count..), size=3) +
geom_hline(yintercept=150000, linetype="dashed", color = "red")
gr2 <- ggplot(data=train, aes(x=MSSubClass)) +
geom_histogram(stat='count')+
geom_label(stat = "count", aes(label = ..count.., y = ..count..), size=3) +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
## Warning: Ignoring unknown parameters: binwidth, bins, pad
grid.arrange(gr1, gr2)
Ahora nos ocuparemos del análisis de la variable dependiente de nuestro modelo, el precio de las casas. En primer lugar dibujaremos su histograma:
ggplot(train, aes(x=SalePrice)) +
geom_histogram(aes(y=..density..),
binwidth=7000,
colour="black", fill="white") +
geom_density(alpha=.2, fill="#FF6666")
Vemos que esta variable tiene un importe sesgo a la izquierda y parece que un cambio de variable de tipo logarítmico podría convertirla en una variable con distribución normal, cosa importante para el modelo lineal de regresión múltiple. El sesgo es muy fácilmente explicable por la naturaleza de la propia variable: la mayoría de las casas deberán tener un precio ajustado a la distribución de la riqueza entre los habitantes de la ciudad, y muy pocas tendrán un gran valor (casas lujosas) o serán infraviviendas. Confirmemos esta hipótesis realizando el cambio de variable en la misma y dibujando su función de distribución normal aproximada:
fitDistribution <- fitdistr(log10(train$SalePrice), densfun = "normal")
ggplot(data = train) +
geom_histogram(mapping = aes(x = log10(SalePrice), y = ..density..), col="white") +
stat_function(fun = dnorm, args = list(mean = fitDistribution$estimate[1], sd = fitDistribution$estimate[2], log = F),
color="red", lwd=1)
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
Vemos que, efectivamente, lo que hemos comentado en el anterior apartado se cumple. Detectamos también que el rango dinámico de la variable es muy grande en su parte derecha sin que apenas haya valores en dicho intervalo, lo que invita a pensar en la presencia de “outliers” (casas de un gran valor económico reservadas a la gente más rica de la ciudad). Dibujaremos sendos diagramas de cajas con la variable original y la variable transformada:
graf3 <- train %>% dplyr::select(SalePrice) %>%
na.omit() %>%
ggplot(aes(x=0,y=SalePrice)) +
geom_boxplot(outlier.colour="black", outlier.shape=16,
outlier.size=2, notch=FALSE)
graf4 <- train %>% dplyr::mutate(log10_saleprice = log10(SalePrice)) %>%
dplyr::select(log10_saleprice) %>%
na.omit() %>%
ggplot(aes(x=0,y=log10_saleprice)) +
geom_boxplot(outlier.colour="black", outlier.shape=16,
outlier.size=2, notch=FALSE)
ggarrange(graf3,graf4)
Vemos claramente la existencia de Outliers en esta variable que la transformación logarítmica no es capaz de resolver, tanto en los valores superiores como en los inferiores. En una parte futura de este apartado, detectaremos y almacenaremos en sendas variables estos Outliers para todas las variables independientes y tomar una decisión de cómo transformales en los apartados de tratamiento de variables cualitativas y cuantitativas.
Ahora realizaremos un conjunto de gráficos cuantil/cuantil sobre las variables continuas y discretas para corroborar que hay pocas variables con una distribución normal:
train %>% plot_qq(sampled_rows = 1000L)
Las que más se aproximan a esta distribución son: LotArea, LotFrontage, GrLivArea, TotalBsmtSF y X1stFlrSF. Este diagrama pone en evidencia también la gran cantidad de Outliers que tienen algunas variables.
Almacenaremos el grado de asimetría de dichas variables para en un futuro poder tener un criterio más claro de qué variables son candidatas a un tipo de transformación logarítmica:
var_continuas_discretas = c(var_continuas,var_discretas)
library(moments)
listasVariablesSkewness <- na.omit(train %>% dplyr::select(var_continuas_discretas)) %>% skewness()
variablesSkewnessAlto <- listasVariablesSkewness[abs(listasVariablesSkewness) > 0.8]
Ahora procedermos a realizar el análisis vivariante de nuestros datos. Empezaremos con analizar los coeficientes de correlación entre las distintas variables. El siguiente diagrama intenta dibujar un mapa de calor de dichas correlaciones para las variables contínuas, pero debido a la gran cantidad de varibles en dicho diagrama no se puede visualizar nada con claridad:
splitDataset <- split_columns(train, binary_as_factor = FALSE)
plot_correlation(na.omit(splitDataset$continuous), type = "c" ,maxcat = 5L,theme_config = list(legend.position = "bottom", axis.text.x =element_text(angle = 90),axis.text.y = element_text(size = rel(0.4)) ))
Crearemos una matriz de correlaciones con las variables continuas para intentar evidencia de mejor forma estos posibles casos de variables fuertemente correlacionadas que podrían desestabilizar el resultado del proceso de regresión lineal:
library(corrr)
corrmatrix <-corrr::correlate(na.omit(train %>% dplyr::select(var_continuas)))
##
## Correlation method: 'pearson'
## Missing treated using: 'pairwise.complete.obs'
rplot(corrmatrix, legend = TRUE, shape = 16,print_cor = TRUE) +theme(axis.text.x = element_text(angle = 90))
## Don't know how to automatically pick scale for object of type noquote. Defaulting to continuous.
## Don't know how to automatically pick scale for object of type noquote. Defaulting to continuous.
Con esta matriz se observan lo siguiente: * La mayor parte de las variables representan una correlación positiva con el precio de la vivienda y entre ellas. Eso es normal debido a que muchas representan cantidades (pies cuadrados en las distintas zonas en las que se descompone las estancias de la vivienda, número y tamaño de cada planta, tamaño de garage y sótanos, etc. ). Evidentemente, cuandos mayores son estos números, normalmente mayor será el valor de la vivienda. * Las variables 1stFlrSF y TotalBsmtSF estan fuertemente correladas, habría que quitar una de ellas en el modelo (es normal que haya una correlacion entre la superficie total del sótano y la de la primera planta) * Existen correlaciones moderadas entre las variables GrLivArea y 1stFlrSF y 2ndFlrSF, no obstante un análisis más detentenido nos muestra que la suma de las siguientes variables tienen correlacion unidad, lo cuál es un punto a favor en la consistencia de los datos de estas variables en el dataset:
cor(train$GrLivArea, (train$`1stFlrSF` + train$`2ndFlrSF` + train$LowQualFinSF))
## [1] 1
Esto es lógico debido a que la suma de las superficies habitables de la primera y segunda planta mas la superficie de “baja calidad” tienen que coicidir con la superficie total habitable sin contar los sótanos. Es por ello que estas variables o hay que transformarlas para evitar este caso de correlación perfecta o bien eliminar del modelo alguna de ellas. La decisión se tomará mas adelante.
A continuación mostraremos un tipo de gráfica que muestra de forma más visual la anterior matriz de correlación. En ella cuando más cerca están unos puntos de otros existe una mayor similitud entre las distintas variables. Cada una de ellas está a su vez enlazada con una “banda” de color azul o rojo que cuantifica el grado de correlación entre las variables. En ella ya vemos que la variable objetivo de estudio, el precio de venta de la casa, está muy influenciada por todas aquellas variables continuas que cuantifican la superficie en la que se dividen las distintas parcelas de la propiedad (habitaciones, garage, porche, sótano, etc.).
network_plot(corrmatrix)
Ahora proseguiremos el análisis con las variables discretas. Como antes, generaremos una matriz de correlación y estudiaremos los resultados:
corrmatrix2 <-corrr::correlate(na.omit(train %>% dplyr::select(var_discretas)))
##
## Correlation method: 'pearson'
## Missing treated using: 'pairwise.complete.obs'
rplot(corrmatrix2, legend = TRUE, shape = 16,print_cor = TRUE)+theme(axis.text.x = element_text(angle = 90))
## Don't know how to automatically pick scale for object of type noquote. Defaulting to continuous.
## Don't know how to automatically pick scale for object of type noquote. Defaulting to continuous.
network_plot(corrmatrix2)
Existe una fuerte correlación entre las variables GarageYrBlt y YearBuilt y YearRemodAdd, con ello podemos quitarnos la variable GarageYrBlt.
Ahora intentaremos hacer este mismo análisis agrupando tanto variables contínuas como discretas, El resultado es el siguiente:
corrmatrix3 <-corrr::correlate(na.omit(train %>% dplyr::select(var_continuas_discretas)))
##
## Correlation method: 'pearson'
## Missing treated using: 'pairwise.complete.obs'
rplot(corrmatrix3, legend = TRUE, shape = 16,print_cor = TRUE)+theme(axis.text.x = element_text(angle = 90))
## Don't know how to automatically pick scale for object of type noquote. Defaulting to continuous.
## Don't know how to automatically pick scale for object of type noquote. Defaulting to continuous.
network_plot(corrmatrix3)
Aqui Observamos una correlación muy fuerte entre las variables GarageCars y GarageArea, con lo que nos podemos quitar la variable GarageCars.Es lógico pensar que el número de coches que caben en una plaza de garage dependa de la superficie de ésta. * Existe una correlacion muy fuerte también entre las variables GrLiveArea y TotRmsAbvGrd (total de habitaciones), con lo que podemos quitar esta última del análisis al parecer más sencilla de entender la primera de las variables. * Hay una fuerte correlación entre las variables YearRemodAdd y las variables YearBuild y GarageYrBuild. Esto indica que en muchas de ellas el año en que se construyó el garage coincide con el año en que se contruyó la casa. En el caso de la variable YearRemodAdd parece que se ha hecho coincidir con el año de construcción si la casa no ha sufrido reformas.
La siguiente función confirmará nuestras sospechas, buscando variables con fuertes correlaciones entre ellas:
correlacionesProblematicas <- findCorrelation(cor(na.omit(train %>% dplyr::select(var_continuas_discretas))),cutoff = 0.8, verbose = FALSE, names = TRUE)
correlacionesProblematicas
## [1] "1stFlrSF" "GarageCars" "GarageYrBlt"
Comprobamos que, efectivamente, las variables antes comentadas están entre las que aparecen en el listado.
Ahora intentaremos mostrar en un gráfico de barras el grado de correlación entre las variables anteriormente analizadas y la variable objeto de nuestro análisis:
rplot(corrmatrix3, legend = TRUE, shape = 16,print_cor = TRUE)+theme(axis.text.x = element_text(angle = 90))
## Don't know how to automatically pick scale for object of type noquote. Defaulting to continuous.
## Don't know how to automatically pick scale for object of type noquote. Defaulting to continuous.
correlacionesSalesPrice <-focus(corrmatrix3,SalePrice)
correlacionesSalesPrice%>% arrange(SalePrice) %>% ggplot(aes(x=rowname ,y=SalePrice,fill=factor(rowname))) +
geom_bar(position="dodge",stat="identity") +
coord_flip() +
ggtitle("Correlacion entre las variables numéricas y el precio de las casas")
En este diagrama se muestra más claramente lo que ya se ha comentado con anterioridad: casi todas las variables tienen correlaciones positivas con el precio excepto unas pocas (sería interesante el averiguar por qué, ya que serían factores que influyen negativamente en el precio de una vivienda). Además las variables con mayores correlaciones tiene que ver con la superficie habitable de la casa y la superficie de la primera planta (lo que muestra que la mayoría de las casas tienen una única planta. El tener una segunda planta influye moderadamente en el precio de la vivienda). También hay correlaciones moderadas entre las características del garage, el año de construcción, la superficie del sótano, etc. Por lo tanto, estas variables deberían entrar significativamente en el modelo de regresión que generemos en esta práctica.
Ahora realizaremos unos cuantos diagramas de dispersión entre las variables contínuas y el precio de la vivienda para ver si existen relaciones lineales entre dichas variables (importante para saber si el modelo de regresión lineal es el más adecuado para el problema que tenemos en esta práctica):
na.omit(train %>% dplyr::select(var_continuas)) %>% plot_scatterplot( by = "SalePrice", sampled_rows = 1000L)
#geom_smooth(method=lm, se=FALSE, fullrange=TRUE)
Observamos que sí que existen ciertas relaciones apróximadas pero con algunas anomalías que comentamos a continuación:
En cuanto a la detección de Outliers, como se ha indicado con anterioridad, existen indicios más que suficientes para inferir que, efectivamente, en este dataset existe más de una casa que podría crear problemas en el modelo de regresión lineal. Para detectarlos y almacenarlos en una lista para su posterior tratamiento, ejecutaremos el siguiente código, que además mostrará un conjunto de diagramas de caja con las variables continuas del dataset:
library(EnvStats)
##
## Attaching package: 'EnvStats'
## The following objects are masked from 'package:moments':
##
## kurtosis, skewness
## The following object is masked from 'package:MASS':
##
## boxcox
## The following objects are masked from 'package:stats':
##
## predict, predict.lm
## The following object is masked from 'package:base':
##
## print.default
listaOutliers <- list()
#listaBoxPlots <- c()
dataset_var_continuas <- train %>% dplyr::select(var_continuas)
iterator = 1
for(i in colnames(dataset_var_continuas)) {
outlier_values <- boxplot.stats(dataset_var_continuas[[i]])$out
boxPlotDibujar <- boxplot(dataset_var_continuas[[i]], main=i, boxwex=0.1)
if(i %in% c('LotArea','1stFlrSF','GrLivArea','PoolArea','TotalBsmtSF')) {
boxPlotDibujar
}
#listaBoxPlots <- c(listaBoxPlots,boxPlotDibujar)
outliersRosen <- rosnerTest(dataset_var_continuas[[i]], k = 4, warn = F)
listaOutliers[[iterator]] <- outliersRosen
iterator<- iterator +1
}
#library(gridExtra)
#n <- length(listaBoxPlots)
#nCol <- floor(sqrt(n))
#do.call("grid.arrange", c(listaBoxPlots, ncol=nCol))
#for(i in listaOutliers) {
# print(c(i$data.name,i$n.outliers))
#}
A continuación, almaceneramos en un conjunto de variables todas las recomendaciones que se han hecho en este punto para proceder en partes posteriores de la práctica a llevar a cabo dichas recomendaciones (eliminar columnas del modelo por posibilidad de autocorrelacines, eliminacion de columnas varias por baja varianza de las mismas, etc).
var_modelo_with_SalePrice = c(var_modelo,'SalePrice')
var_columnas_eliminadas = c('TotRmsAbvGrd','GarageYrBlt','GarageCars','TotalBsmtSF','1stFlrSF','2ndFlrSF','BsmtFinSF2','1stFlrSF','2ndFlrSF','FullBath','HalfBath','BsmtFullBath','BsmtHalfBath','OpenPorchSF','3SsnPorch','EnclosedPorch','ScreenPorch','WoodDeckSF','GarageFinish','hasBasement','hasFirePlaces','LotFrontage')
var_columnas_eliminadas_bajo_p_valor = c('LandSlope')
var_transformacion_log = c('TotalSF')
var_eliminar_correlacion = c('TotRmsAbvGrd','GarageYrBlt','GarageCars')
Ahora procederemos a realizar el procesado de las variables cuantitativas, tanto contínuas como discretas. Lo primero que haremos será contruir 3 nuevas variables como sigue: * TotalSF : será la suma de pies cuadrados entre sótano, primera planta y segunda planta. * Total_Bathrooms: llevará cuenta del número total de cuartos de baño existentes en la casa, contabilizando los baños pequeños con un peso inferior. * Total_porch_SF: llevará cuente del número todal de pies cuadrados existentes en los diferentes porches.
Evidentemente, estas variables sustituyen en el modemo final a las variables de las que se componen. Para no destruir información, además, en el apartado de procesado de variables cualitativas crearemos nuevas variables facetadas que indiquen si una casa tiene segundo piso y porche, porque no todas las casas tienen estas dos características. Así nos quitamos el problema que vimos en el apartado de análisis exploratorio con numerosos ceros en algunas de estas variables.
train <- train %>% dplyr::mutate( TotalSF = TotalBsmtSF + `1stFlrSF` + `2ndFlrSF` )
train <- train %>% dplyr::mutate( Total_Bathrooms = FullBath + 0.5*HalfBath + BsmtFullBath + 0.5*BsmtHalfBath )
train <- train %>% dplyr::mutate( Total_porch_SF = OpenPorchSF +`3SsnPorch` + EnclosedPorch + ScreenPorch + WoodDeckSF )
#train <- train %>% dplyr::mutate( TotalSqrFootage = BsmtFinSF1 + BsmtFinSF2 + !!as.symbol(firsrtFlrSF) + #!!as.symbol(secondFlrSF) )
test <- test %>% dplyr::mutate( TotalSF = TotalBsmtSF + `1stFlrSF` + `2ndFlrSF` )
test <- test %>% dplyr::mutate( Total_Bathrooms = FullBath + 0.5*HalfBath + BsmtFullBath + 0.5*BsmtHalfBath )
test <- test %>% dplyr::mutate( Total_porch_SF = OpenPorchSF +`3SsnPorch` + EnclosedPorch + ScreenPorch + WoodDeckSF )
#test <- test %>% dplyr::mutate( TotalSqrFootage = BsmtFinSF1 + BsmtFinSF2 + !!as.symbol(firsrtFlrSF) + #!!as.symbol(secondFlrSF) )
# esta variable tiene los pies cuadrados "oficiales" del interior de la casa
validation <- validation %>% dplyr::mutate( TotalSF = TotalBsmtSF + `1stFlrSF` + `2ndFlrSF` )
# esta variable tiene los pies cuadrados de los cuartos de baño de la casa
validation<- validation %>% dplyr::mutate( Total_Bathrooms = FullBath + 0.5*HalfBath + BsmtFullBath + 0.5*BsmtHalfBath )
# esta variable tiene los pies cuadrados del porche
validation <- validation %>% dplyr::mutate( Total_porch_SF = OpenPorchSF +`3SsnPorch` + EnclosedPorch + ScreenPorch + WoodDeckSF )
# esta variable tiene los pies cuadrados finalizados de la casa (tiene en cuenta las variables de sotano acabado y no tiene en cuenta la variable TotalBsmtSF)
#train_test <- train_test %>% dplyr::mutate( TotalSqrFootage = BsmtFinSF1 + BsmtFinSF2 + TotalBsmtSF+ #!!as.symbol(firsrtFlrSF) + !!as.symbol(secondFlrSF) )
var_creadas_transformacion = c( 'TotalSF','Total_Bathrooms','Total_porch_SF','TotalSqrFootage','hasPool','hasGarage','hasBasement','hasFirePlaces','has2ndFloor')
Otro procesamiento que realizaremos sobre estas variables es cuantificar las variables que portan los años de reforma y construcción de la casa en rangos de 30 años, para simplificar el modelo final generado. Esta cuantificación transformará estas variables en variables categóricas. El código que realiza la transformación es el siguiente:
# YearBuilt: discretizamos la variable en tramos
# YearRemodAdd: discretizamos la variable en tramos
train$YearBuilt <- cut(train$YearBuilt,
breaks=c(-Inf, 1930, 1960, 1990,Inf),
labels=c("1900_1930","1930_1960","1960_1990","1990_"))
test$YearBuilt <- cut(test$YearBuilt,
breaks=c(-Inf, 1930, 1960, 1990,Inf),
labels=c("1900_1930","1930_1960","1960_1990","1990_"))
validation$YearBuilt <- cut(validation$YearBuilt,
breaks=c(-Inf, 1930, 1960, 1990,Inf),
labels=c("1900_1930","1930_1960","1960_1990","1990_"))
train$YearRemodAdd <- cut(train$YearRemodAdd,
breaks=c(-Inf, 1930, 1960, 1990,Inf),
labels=c("1900_1930","1930_1960","1960_1990","1990_"))
test$YearRemodAdd <- cut(test$YearRemodAdd,
breaks=c(-Inf, 1930, 1960, 1990,Inf),
labels=c("1900_1930","1930_1960","1960_1990","1990_"))
validation$YearRemodAdd <- cut(validation$YearRemodAdd,
breaks=c(-Inf, 1930, 1960, 1990,Inf),
labels=c("1900_1930","1930_1960","1960_1990","1990_"))
Continuaremos este apartado realizando la transformación logarítmica tanto de la variable SalePrice como de las variables con alto grado de asimetría. Debido a que algunas de estas variables tienen valores nulos, sumaremos uno a la funció logarítmica para evitar errores en el cálculo del logaritmo. El siguiente código realiza estas transformaciones:
log_transform<- function(x, na.rm=FALSE) (log(x +1))
variablesTransformar = names(variablesSkewnessAlto)[!names(variablesSkewnessAlto) %in% var_columnas_eliminadas & !names(variablesSkewnessAlto) %in% var_eliminar_correlacion ]
#variablesTransformar <- c(variablesTransformar,'TotalSF')
for(i in 1:ncol(train)){
nombreCol = names(train)[i]
if(nombreCol == 'MasVnrArea' | nombreCol == 'MiscVal' | nombreCol == 'SaleCondition' ) {
} else
if (nombreCol %in% variablesTransformar & nombreCol != 'SalePrice'){
train[,i] <- log(train[,i] +1)
#test[,i] <- log(test[,i] +1)
#validation[,i] <- log(validation[,i] +1)
} else if(nombreCol == 'SalePrice'){
train[,i] <- log(train[,i])
#test[,i] <- log(test[,i])
#validation[,i] <- log(validation[,i])
}else if(nombreCol == 'TotalSF'){
train[,i] <- log(train[,i])
#test[,i] <- log(test[,i])
#validation[,i] <- log(validation[,i])
}
}
for(i in 1:ncol(test)){
nombreCol = names(test)[i]
if(nombreCol == 'MasVnrArea' | nombreCol == 'MiscVal' | nombreCol == 'SaleCondition' ) {
} else
if (nombreCol %in% variablesTransformar & nombreCol != 'SalePrice'){
#train[,i] <- log(train[,i] +1)
test[,i] <- log(test[,i] +1)
#validation[,i] <- log(validation[,i] +1)
} else if(nombreCol == 'SalePrice'){
#train[,i] <- log(train[,i])
test[,i] <- log(test[,i])
#validation[,i] <- log(validation[,i])
}else if(nombreCol == 'TotalSF'){
#train[,i] <- log(train[,i])
test[,i] <- log(test[,i])
#validation[,i] <- log(validation[,i])
}
}
for(i in 1:ncol(validation)){
nombreCol = names(validation)[i]
if(nombreCol == 'MasVnrArea' | nombreCol == 'MiscVal' | nombreCol == 'SaleCondition' ) {
} else
if (nombreCol %in% variablesTransformar & nombreCol != 'SalePrice'){
#train[,i] <- log(train[,i] +1)
#test[,i] <- log(test[,i] +1)
validation[,i] <- log(validation[,i] +1)
} else if(nombreCol == 'SalePrice'){
train[,i] <- log(train[,i])
#test[,i] <- log(test[,i])
validation[,i] <- log(validation[,i])
}else if(nombreCol == 'TotalSF'){
train[,i] <- log(train[,i])
#test[,i] <- log(test[,i])
validation[,i] <- log(validation[,i])
}
}
Por último, realizaremos un normalizado de las variables para intentar que tengan media 0 y desviación típica 1, pero esa normalización se realizará en el siguiente punto una vez se hayan tratado las variables cualitativas y se hayan creado las variables de tipo factor que sean necesarias.
Comenzaremos este apartado creando las siguientes variables como complemento a la información en pies cuadrados de las distintas partes que componen una vivienda:
Habrá que tener cuidado con estas variables al añadirlas al modelo porque podrían estar altamente correladas con las variables que indican el tamaño en superficie de estos 3 elementos.
#MSSubClass:
test <- test %>% dplyr::mutate( hasPool := ifelse(PoolArea > 0, "True", "False"))
train <- train %>% dplyr::mutate( hasPool := ifelse(PoolArea > 0, "True", "False"))
validation <- validation %>% dplyr::mutate( hasPool := ifelse(PoolArea > 0, "True", "False"))
#test <- test %>% dplyr::mutate( hasGarage := ifelse(GarageArea > 0, "True", "False"))
#train <- train %>% dplyr::mutate( hasGarage := ifelse(GarageArea > 0, "True", "False"))
test <- test %>% dplyr::mutate( hasBasement := ifelse(TotalBsmtSF > 0, "True", "False"))
train <- train %>% dplyr::mutate( hasBasement := ifelse(TotalBsmtSF > 0, "True", "False"))
validation <- validation %>% dplyr::mutate( hasBasement := ifelse(TotalBsmtSF > 0, "True", "False"))
test <- test %>% dplyr::mutate( hasFirePlaces := ifelse(Fireplaces > 0, "True", "False"))
train <- train %>% dplyr::mutate( hasFirePlaces := ifelse(Fireplaces > 0, "True", "False"))
validation <- validation %>% dplyr::mutate( hasFirePlaces := ifelse(Fireplaces > 0, "True", "False"))
test <- test %>% dplyr::mutate( has2ndFloor := ifelse(`2ndFlrSF` > 0, "True", "False"))
train <- train %>% dplyr::mutate( has2ndFloor := ifelse(`2ndFlrSF` > 0, "True", "False"))
validation <- validation %>% dplyr::mutate( has2ndFloor := ifelse( `2ndFlrSF` > 0, "True", "False"))
A continuación transformaremos en columnas de tipo Factor aquellas que tiene valores alfanuméricos y que no parece que tengan un orden natural:
library(plyr)
## ------------------------------------------------------------------------------
## You have loaded plyr after dplyr - this is likely to cause problems.
## If you need functions from both plyr and dplyr, please load plyr first, then dplyr:
## library(plyr); library(dplyr)
## ------------------------------------------------------------------------------
##
## Attaching package: 'plyr'
## The following object is masked from 'package:ggpubr':
##
## mutate
## The following object is masked from 'package:purrr':
##
## compact
## The following objects are masked from 'package:dplyr':
##
## arrange, count, desc, failwith, id, mutate, rename, summarise,
## summarize
nombresVariablesFactores <- c('MiscFeature','Alley','Fence','LotConfig','GarageType','MSZoning','Exterior1st','Exterior2nd','Electrical','SaleType','SaleCondition','Foundation','Heating','RoofStyle',
'RoofMatl','LandContour','BldgType','HouseStyle','Neighborhood','Condition1','Condition2','MoSold','YrSold','Street','LotShape','Utilities','LandSlope','MasVnrType','BsmtFinType2','CentralAir','Functional','PavedDrive','hasPool','hasBasement','hasFirePlaces')
for(i in nombresVariablesFactores){
train[[i]] <- as.factor(train[[i]])
test[[i]] <- as.factor(test[[i]])
validation[[i]] <- as.factor( validation[[i]])
}
train$MSSubClass <- as.factor(train$MSSubClass)
train$MSSubClass<-revalue(train$MSSubClass, c('20'='1_story_1946_', '30'='1_story_1945_', '40'='1_story_unf_attic', '45'='1_5_story_unf', '50'='1_5 story_fin', '60'='2_story_1946_', '70'='2_story_1945_', '75'='2_5_story_all_ages', '80'='split_multi_level', '85'='split_foyer', '90'='duplex_all_style_age', '120'='1_story_PUD_1946_', '150'='1_5_story_PUD_all', '160'='2_story_PUD_1946', '180'='PUD_multilevel', '190'='2_family_conversion'))
## The following `from` values were not present in `x`: 150
test$MSSubClass <- as.factor(test$MSSubClass)
test$MSSubClass<-revalue(test$MSSubClass, c('20'='1_story_1946_', '30'='1_story_1945_', '40'='1_story_unf_attic', '45'='1_5_story_unf', '50'='1_5 story_fin', '60'='2_story_1946_', '70'='2_story_1945_', '75'='2_5_story_all_ages', '80'='split_multi_level', '85'='split_foyer', '90'='duplex_all_style_age', '120'='1_story_PUD_1946_', '150'='1_5_story_PUD_all', '160'='2_story_PUD_1946', '180'='PUD_multilevel', '190'='2_family_conversion'))
validation$MSSubClass <- as.factor(validation$MSSubClass)
validation$MSSubClass<-revalue(validation$MSSubClass, c('20'='1_story_1946_', '30'='1_story_1945_', '40'='1_story_unf_attic', '45'='1_5_story_unf', '50'='1_5 story_fin', '60'='2_story_1946_', '70'='2_story_1945_', '75'='2_5_story_all_ages', '80'='split_multi_level', '85'='split_foyer', '90'='duplex_all_style_age', '120'='1_story_PUD_1946_', '150'='1_5_story_PUD_all', '160'='2_story_PUD_1946', '180'='PUD_multilevel', '190'='2_family_conversion'))
## The following `from` values were not present in `x`: 150
Y por último, todas las variables que encierran una relación de orden en ellas (por ejemplo, que sirven para cuantificar una característica de peor a mejor), se convierten en variables de tipo factor, pero estableciendo los distintos niveles de 0 a el valor máximo en función del valor que representan. El siguiente código realiza dicha transformación.
#OverallQual, OverallCond (dejarlas como estan)
levesl1_10 <- c("Very Poor","Poor","Fair","Below Average","Average","Above Average","Good","Very Good","Excellent","Very Excellent")
#ExterQual , ExterCond , HeatingQC, KitchenQual,GarageQual,GarageCond
return_position1_5 <- function(elements) {
levesl1_5 <- c('Po','Fa','TA','Gd','Ex')
pos <- match(elements,levesl1_5)
elem <- which(levesl1_5 %in% elements)
return(levesl1_5[elem])
}
#BsmtQual,BsmtCond,FireplaceQu
return_position1_6 <- function(elements) {
levesl1_6 <- c('NA','Po','Fa','TA','Gd','Ex')
pos <- match(elements,levesl1_6)
elem <- which(levesl1_6 %in% elements)
return(levesl1_6[elem])
}
#BsmtExposure
return_position1_5_B <- function(elements) {
levesl1_5_B <- c('NA','No','Mn','Av','Gd')
pos <- match(elements,levesl1_5_B)
elem <- which(levesl1_5_B %in% elements)
return(levesl1_5_B[elem])
}
#BsmtFinType1 , BsmtFinType2
return_position1_7 <- function(elements) {
levesl1_7 <- c('NA','Unf','LwQ','Rec','BLQ','ALQ','GLQ')
pos <- match(elements,levesl1_7)
elem <- which(levesl1_7 %in% elements)
return(levesl1_7[elem])
}
#CentralAir
levesl_2 <- c('N','Y')
#GarageFinish
return_levels_garage <- function(elements) {
levels_garage <-c('NA','Unf','RFn','Fin')
pos <- match(elements,levels_garage)
elem <- which(levels_garage %in% elements)
return(levels_garage[elem])
}
# PoolQC
return_levesl_poolQC <- function(elements) {
levesl_poolQC <- c('NA','Fa','TA','Gd','Ex')
pos <- match(elements,levesl_poolQC)
elem <- which(levesl_poolQC %in% elements)
return(levesl_poolQC[elem])
}
library(forcats)
#OverallCond
train <- train %>% dplyr::mutate( ExterQual:=fct_relevel(ExterQual,return_position1_5))
test <- test %>% dplyr::mutate( ExterQual:=fct_relevel(ExterQual,return_position1_5))
validation <- validation %>% dplyr::mutate( ExterQual:=fct_relevel(ExterQual,return_position1_5))
#ExterCond ,
train <- train %>% dplyr::mutate( ExterCond := fct_relevel(ExterCond,return_position1_5))
test <- test %>% dplyr::mutate( ExterCond := fct_relevel(ExterCond,return_position1_5))
validation <- validation %>% dplyr::mutate( ExterCond := fct_relevel(ExterCond,return_position1_5))
#HeatingQC,
train <- train %>% dplyr::mutate( HeatingQC := fct_relevel(HeatingQC,return_position1_5))
test <- test %>% dplyr::mutate( HeatingQC := fct_relevel(HeatingQC,return_position1_5))
validation <- validation %>% dplyr::mutate( HeatingQC := fct_relevel(HeatingQC,return_position1_5))
#KitchenQual,
train <- train %>% dplyr::mutate( KitchenQual := fct_relevel(KitchenQual,return_position1_5))
test <- test %>% dplyr::mutate( KitchenQual := fct_relevel(KitchenQual,return_position1_5))
validation <- validation %>% dplyr::mutate( KitchenQual := fct_relevel(KitchenQual,return_position1_5))
#GarageQual,
train <- train %>% dplyr::mutate( GarageQual := fct_relevel(GarageQual,return_position1_5))
test <- test %>% dplyr::mutate( GarageQual := fct_relevel(GarageQual,return_position1_5))
validation <- validation %>% dplyr::mutate( GarageQual := fct_relevel(GarageQual,return_position1_5))
#GarageCond
train <- train %>% dplyr::mutate( GarageCond := fct_relevel(GarageCond,return_position1_5))
test <- test %>% dplyr::mutate( GarageCond := fct_relevel(GarageCond,return_position1_5))
validation <- validation %>% dplyr::mutate( GarageCond := fct_relevel(GarageCond,return_position1_5))
#BsmtQual
train <- train %>% dplyr::mutate( BsmtQual := fct_relevel(BsmtQual,return_position1_6))
test <- test %>% dplyr::mutate( BsmtQual := fct_relevel(BsmtQual,return_position1_6))
validation <- validation %>% dplyr::mutate( BsmtQual := fct_relevel(BsmtQual,return_position1_6))
#BsmtCond,
train <- train %>% dplyr::mutate( BsmtCond := fct_relevel(BsmtCond,return_position1_6))
test <- test %>% dplyr::mutate( BsmtCond := fct_relevel(BsmtCond,return_position1_6))
validation <- validation %>% dplyr::mutate( BsmtCond := fct_relevel(BsmtCond,return_position1_6))
#FireplaceQu
train <- train %>% dplyr::mutate(FireplaceQu := fct_relevel(FireplaceQu,return_position1_6))
test <- test %>% dplyr::mutate(FireplaceQu := fct_relevel(FireplaceQu,return_position1_6))
validation <- validation %>% dplyr::mutate(FireplaceQu := fct_relevel(FireplaceQu,return_position1_6))
#BsmtExposure
train <- train %>% dplyr::mutate( BsmtExposure := fct_relevel(BsmtExposure,return_position1_5_B))
test <- test %>% dplyr::mutate( BsmtExposure := fct_relevel(BsmtExposure,return_position1_5_B))
validation <- validation %>% dplyr::mutate( BsmtExposure := fct_relevel(BsmtExposure,return_position1_5_B))
#BsmtFinType1
train <- train %>% dplyr::mutate( BsmtFinType1 := fct_relevel(BsmtFinType1,return_position1_7))
test <- test %>% dplyr::mutate( BsmtFinType1 := fct_relevel(BsmtFinType1,return_position1_7))
validation <- validation %>% dplyr::mutate( BsmtFinType1 := fct_relevel(BsmtFinType1,return_position1_7))
#BsmtFinType2
train <- train %>% dplyr::mutate( BsmtFinType1 := fct_relevel(BsmtFinType2,return_position1_7))
test <- test %>% dplyr::mutate( BsmtFinType1 := fct_relevel(BsmtFinType2,return_position1_7))
validation <- validation %>% dplyr::mutate( BsmtFinType1 := fct_relevel(BsmtFinType2,return_position1_7))
#GarageFinish
train <- train %>% dplyr::mutate( GarageFinish := fct_relevel(GarageFinish,return_levels_garage))
test <- test %>% dplyr::mutate( GarageFinish := fct_relevel(GarageFinish,return_levels_garage))
validation <- validation %>% dplyr::mutate( GarageFinish := fct_relevel(GarageFinish,return_levels_garage))
# PoolQC
train <- train %>% dplyr::mutate( PoolQC := fct_relevel(PoolQC,return_levesl_poolQC))
test <- test %>% dplyr::mutate( PoolQC := fct_relevel(PoolQC,return_levesl_poolQC))
validation <- validation %>% dplyr::mutate( PoolQC := fct_relevel(PoolQC,return_levesl_poolQC))
# para dummify variables si es necesario tenemos esta funcion del paquete dataexplorer
#train <- dummify(train, maxcat = 50L, select = var_nominales)
Y por último, trataremos de centrar y normalizar todas las variables numéricas una vez convertidas en factores en los anteriores pasos. Esto se realizará pensando sobre todo en el paso de aplicación del método de selección de variables “lasso”, que exige que todas las variables numéricas tengan varianza 1 para evitar sesgos en el modelo resultante. El siguiente código realizará esta función:
train_sin_na <- train %>% na.omit() %>% dplyr::select(-Id)
preProcValuesTrain <- preProcess(train_sin_na %>% dplyr::select(-OverallQual, -OverallCond),method = c("center", "scale"))
test_sin_na <- test %>% na.omit() %>% dplyr::select(-Id)
preProcValuesTest <- preProcess(test_sin_na %>% dplyr::select(-OverallQual, -OverallCond),method = c("center", "scale"))
## Warning in preProcess.default(test_sin_na %>% dplyr::select(-OverallQual, :
## These variables have zero variances: PoolArea
validation_sin_na <- validation %>% na.omit() %>% dplyr::select(-Id)
preProcValuesValidation <- preProcess(validation_sin_na %>% dplyr::select(-OverallQual, -OverallCond),method = c("center", "scale"))
## Warning in `[<-.data.frame`(`*tmp*`, , method$center, value = structure(list(:
## provided 1089 variables to replace 33 variables
## Warning in preProcess.default(validation_sin_na %>% dplyr::select(-
## OverallQual, : Std. deviations could not be computed for: LotFrontage, LotArea,
## MasVnrArea, BsmtFinSF1, BsmtFinSF2, BsmtUnfSF, TotalBsmtSF, 1stFlrSF, 2ndFlrSF,
## LowQualFinSF, GrLivArea, BsmtFullBath, BsmtHalfBath, FullBath, HalfBath,
## BedroomAbvGr, KitchenAbvGr, TotRmsAbvGrd, Fireplaces, GarageYrBlt, GarageCars,
## GarageArea, WoodDeckSF, OpenPorchSF, EnclosedPorch, 3SsnPorch, ScreenPorch,
## PoolArea, MiscVal, SalePrice, TotalSF, Total_Bathrooms, Total_porch_SF
## Warning in `[<-.data.frame`(`*tmp*`, , method$scale, value = structure(list(:
## provided 1089 variables to replace 33 variables
Teniendo en cuanto todo lo dicho en los anteriores apartados, las variables con las que al final nos quedaremos para el cálculo del modelo final serán las siguientes:
var_modelo = c( 'TotalSF','GrLivArea','LotArea','Total_Bathrooms','Total_porch_SF','MSZoning','Alley','LandContour','LotConfig','Condition1','BldgType','HouseStyle','RoofStyle','Exterior1st','Exterior2nd','MasVnrType','Foundation','Heating','SaleType','SaleCondition','YearBuilt','YearRemodAdd','MasVnrArea','MoSold','YrSold','OverallQual','OverallCond','PavedDrive','PoolArea','PoolQC','Fence','BsmtFinSF1','Electrical','Functional','ExterCond','ExterQual','BsmtQual','BsmtExposure','BsmtFinType1','BsmtUnfSF','HeatingQC','CentralAir','KitchenQual','Fireplaces','FireplaceQu','BedroomAbvGr','KitchenAbvGr','LotShape','GarageType','GarageArea','GarageQual','GarageCond','Neighborhood','hasPool','has2ndFloor','Total_porch_SF')
var_modelo_with_SalePrice = c(var_modelo,'SalePrice')
Ahora eliminaremos la columna Id de los datasets para que no intervenga en el modelo y lo recalcularemos con las variables anteriormente comentadas:
train_sin_na <- train %>% na.omit() %>% dplyr::select(-Id)
test_sin_na <- test %>% na.omit() %>% dplyr::select(-Id)
validation_sin_na <- validation %>% na.omit() %>% dplyr::select(-Id)
trainTransformed <- predict(preProcValuesTrain, train_sin_na)
testTransformed <- predict(preProcValuesTest, test_sin_na)
validationTransformed <- predict(preProcValuesValidation, validation_sin_na)
## Warning in `[<-.data.frame`(`*tmp*`, , object$method$center, value =
## structure(list(: provided 1089 variables to replace 33 variables
## Warning in `[<-.data.frame`(`*tmp*`, , object$method$scale, value =
## structure(list(: provided 1089 variables to replace 33 variables
modelRegressionTotal <- lm(reformulate(termlabels = var_modelo, response = 'SalePrice') ,data=trainTransformed)
cat('El modelo total usa', length(modelRegressionTotal$coefficients), 'variables ')
## El modelo total usa 228 variables
#summary( modelRegressionTotal )
#predict(modelRegressionTotal,testTransformed)
A continuación, intentaremos reducir la elevada dimensionalidad del modelo utilizando la libreria Caret y haciendo una regresión de tipo “Step Backward selection”, es decir, utilizando el algoritmo que partiendo de todas las variables del modelo vaya creando nuevos modelos quitando cada vez una de las variables que contengan el estimador menos influyente en el modelo hasta converger. Para ello primero relalizamos la codificacion de las varibales categóricas en variables de tipo “dummy”:
dummiesTrain <- dummyVars(reformulate(termlabels = var_modelo_with_SalePrice ),fullRank = T, data = data.frame(trainTransformed),sep='.')
dummiesTest <- dummyVars(reformulate(termlabels = var_modelo_with_SalePrice ),fullRank = T, data = data.frame(testTransformed),sep='.')
trainTransformedDummies <- predict(dummiesTrain, newdata = trainTransformed)
testTransformedDummies <- predict(dummiesTest, newdata = testTransformed)
El siguiente código teóricamente realiza esa funcionalidad, pero hemos tenido problemas al ejecutarlo debido a que codifica los valores de variables categóricas con espacios de distinta forma que el algoritmo “predict” utilizado en el anterior apartado. Dejamos el código en la práctica para que quede constancia de que por lo menos lo hemos intentado, pero ha dado un montón de problemas y no termina de funcinar correctamente por razones desconocidas:
#set.seed(123)
# Set up repeated k-fold cross-validation
#train.control <- trainControl(method = "cv", number = 10)
# Train the model
#step.model <- train(reformulate(termlabels = var_modelo, response = 'SalePrice'), data = #data.frame(trainTransformed) ,method = "leapBackward", tuneGrid = data.frame(nvmax = #60:200),trControl = train.control,sep = '.')
#step.model$bestTune
#step.model$results
#summary(step.model$finalModel)
#step_coef <- coef(step.model$finalModel, step.model$bestTune$nvmax)
#lm_formula <- as.formula(gsub("[[:space:]]","",str_replace(paste("SalePrice~",paste(names(step_c#oef)[-1] , collapse="+"), sep = ""),'&','.'),))
#modelStepForward <- lm(lm_formula, data = data.frame(trainTransformedDummies))
#summary(step.model)
#prediccion <- predict(step.model$finalModel,data.frame(testTransformedDummies))
#par(mfrow=c(2,2))
#plot(modelStepForward)
#plot(modelStepForward,4,id.n=5)
#plot(modelStepForward,5,id.n=5)
Al final, al realizar un predict del anterior modelo, da el siguiente error: Error: C stack usage 7971332 is too close to the limit
Debido al fracaso del anterior modelo, lo intentaremos con una librería distinta que parece que funciona mejor. No obstante, en la ejecución de la misma nos indica que en la selección de variables realizadas siguen existiendo variables correladas.
library('olsrr')
##
## Attaching package: 'olsrr'
## The following object is masked from 'package:MASS':
##
## cement
## The following object is masked from 'package:datasets':
##
## rivers
modelStepForward <- ols_step_forward_p(modelRegressionTotal)
## Forward Selection Method
## ---------------------------
##
## Candidate Terms:
##
## 1. TotalSF
## 2. GrLivArea
## 3. LotArea
## 4. Total_Bathrooms
## 5. Total_porch_SF
## 6. MSZoning
## 7. Alley
## 8. LandContour
## 9. LotConfig
## 10. Condition1
## 11. BldgType
## 12. HouseStyle
## 13. RoofStyle
## 14. Exterior1st
## 15. Exterior2nd
## 16. MasVnrType
## 17. Foundation
## 18. Heating
## 19. SaleType
## 20. SaleCondition
## 21. YearBuilt
## 22. YearRemodAdd
## 23. MasVnrArea
## 24. MoSold
## 25. YrSold
## 26. OverallQual
## 27. OverallCond
## 28. PavedDrive
## 29. PoolArea
## 30. PoolQC
## 31. Fence
## 32. BsmtFinSF1
## 33. Electrical
## 34. Functional
## 35. ExterCond
## 36. ExterQual
## 37. BsmtQual
## 38. BsmtExposure
## 39. BsmtFinType1
## 40. BsmtUnfSF
## 41. HeatingQC
## 42. CentralAir
## 43. KitchenQual
## 44. Fireplaces
## 45. FireplaceQu
## 46. BedroomAbvGr
## 47. KitchenAbvGr
## 48. LotShape
## 49. GarageType
## 50. GarageArea
## 51. GarageQual
## 52. GarageCond
## 53. Neighborhood
## 54. hasPool
## 55. has2ndFloor
##
## We are selecting variables based on p value...
##
## Variables Entered:
##
## - TotalSF
## - OverallQual
## - LotArea
## - GrLivArea
## - YearBuilt
## - OverallCond
## - Heating
## - Neighborhood
## - KitchenAbvGr
## - BedroomAbvGr
## - BsmtQual
## - LandContour
## - MasVnrType
## - Total_Bathrooms
## - Functional
## - MSZoning
## - LotShape
## - KitchenQual
## - PavedDrive
## - BsmtFinSF1
## - GarageArea
## - PoolQC
## - SaleType
## - Fireplaces
## - PoolArea
## - hasPool
## - BldgType
## - YrSold
## - Total_porch_SF
## - Exterior1st
## Note: model has aliased coefficients
## sums of squares computed by model comparison
##
## No more variables to be added.
##
## Final Model Output
## ------------------
##
## Model Summary
## --------------------------------------------------------------------
## R 0.764 RMSE 0.666
## R-Squared 0.583 Coef. Var 7.061126e+16
## Adj. R-Squared 0.557 MSE 0.443
## Pred R-Squared -Inf MAE 0.503
## --------------------------------------------------------------------
## RMSE: Root Mean Square Error
## MSE: Mean Square Error
## MAE: Mean Absolute Error
##
## ANOVA
## ----------------------------------------------------------------------
## Sum of
## Squares DF Mean Square F Sig.
## ----------------------------------------------------------------------
## Regression 1071.855 110 9.744 21.977 0.0000
## Residual 766.145 1728 0.443
## Total 1838.000 1838
## ----------------------------------------------------------------------
##
## Parameter Estimates
## --------------------------------------------------------------------------------------------------
## model Beta Std. Error Std. Beta t Sig lower upper
## --------------------------------------------------------------------------------------------------
## (Intercept) 0.417 1.360 0.307 0.759 -2.251 3.085
## TotalSF 0.159 0.050 0.159 3.200 0.001 0.062 0.257
## OverallQual 0.071 0.024 0.097 2.977 0.003 0.024 0.117
## LotArea 0.130 0.031 0.130 4.135 0.000 0.068 0.192
## GrLivArea 0.182 0.049 0.182 3.692 0.000 0.085 0.278
## YearBuilt1930_1960 0.258 0.072 0.106 3.575 0.000 0.116 0.399
## YearBuilt1960_1990 0.337 0.094 0.152 3.584 0.000 0.152 0.521
## YearBuilt1990_ 0.456 0.125 0.221 3.657 0.000 0.212 0.701
## OverallCond 0.086 0.018 0.096 4.818 0.000 0.051 0.121
## HeatingGasA 1.348 0.688 0.179 1.959 0.050 -0.002 2.699
## HeatingGasW 1.288 0.710 0.130 1.815 0.070 -0.104 2.680
## HeatingGrav 0.299 0.740 0.018 0.404 0.686 -1.152 1.750
## HeatingOthW 0.203 0.969 0.005 0.209 0.834 -1.698 2.104
## HeatingWall 0.802 0.749 0.042 1.070 0.285 -0.668 2.271
## NeighborhoodBlueste -0.185 0.342 -0.011 -0.541 0.588 -0.856 0.486
## NeighborhoodBrDale -0.462 0.293 -0.043 -1.575 0.115 -1.037 0.113
## NeighborhoodBrkSide -0.507 0.243 -0.094 -2.089 0.037 -0.983 -0.031
## NeighborhoodClearCr -0.332 0.246 -0.043 -1.351 0.177 -0.813 0.150
## NeighborhoodCollgCr -0.405 0.204 -0.113 -1.990 0.047 -0.805 -0.006
## NeighborhoodCrawfor -0.024 0.224 -0.005 -0.106 0.916 -0.463 0.415
## NeighborhoodEdwards -0.688 0.217 -0.160 -3.178 0.002 -1.113 -0.264
## NeighborhoodGilbert -0.372 0.214 -0.086 -1.739 0.082 -0.791 0.047
## NeighborhoodIDOTRR -0.443 0.259 -0.077 -1.711 0.087 -0.951 0.065
## NeighborhoodMeadowV -0.284 0.282 -0.035 -1.008 0.314 -0.836 0.269
## NeighborhoodMitchel -0.474 0.217 -0.095 -2.182 0.029 -0.901 -0.048
## NeighborhoodNAmes -0.449 0.211 -0.165 -2.131 0.033 -0.863 -0.036
## NeighborhoodNoRidge -0.116 0.221 -0.019 -0.525 0.599 -0.550 0.318
## NeighborhoodNPkVill -0.412 0.262 -0.039 -1.573 0.116 -0.925 0.101
## NeighborhoodNridgHt -0.288 0.206 -0.063 -1.398 0.162 -0.691 0.116
## NeighborhoodNWAmes -0.589 0.220 -0.119 -2.676 0.008 -1.020 -0.157
## NeighborhoodOldTown -0.544 0.240 -0.145 -2.266 0.024 -1.016 -0.073
## NeighborhoodSawyer -0.429 0.220 -0.096 -1.949 0.051 -0.860 0.003
## NeighborhoodSawyerW -0.455 0.211 -0.095 -2.160 0.031 -0.869 -0.042
## NeighborhoodSomerst -0.512 0.235 -0.124 -2.182 0.029 -0.972 -0.052
## NeighborhoodStoneBr 0.098 0.229 0.012 0.427 0.670 -0.352 0.548
## NeighborhoodSWISU -0.221 0.243 -0.030 -0.907 0.365 -0.698 0.257
## NeighborhoodTimber -0.398 0.222 -0.063 -1.789 0.074 -0.834 0.038
## NeighborhoodVeenker -0.828 0.273 -0.072 -3.030 0.002 -1.363 -0.292
## KitchenAbvGr -0.098 0.029 -0.098 -3.425 0.001 -0.155 -0.042
## BedroomAbvGr 0.092 0.024 0.092 3.864 0.000 0.045 0.139
## BsmtQualFa 0.114 0.170 0.019 0.667 0.505 -0.221 0.448
## BsmtQualTA -0.245 0.147 -0.122 -1.673 0.094 -0.533 0.042
## BsmtQualGd -0.173 0.154 -0.085 -1.124 0.261 -0.476 0.129
## BsmtQualEx -0.092 0.179 -0.025 -0.514 0.607 -0.443 0.259
## LandContourHLS 0.014 0.123 0.003 0.116 0.908 -0.227 0.255
## LandContourLow 0.310 0.152 0.043 2.039 0.042 0.012 0.607
## LandContourLvl 0.248 0.092 0.073 2.700 0.007 0.068 0.428
## MasVnrTypeBrkCmn -0.239 0.232 -0.024 -1.030 0.303 -0.694 0.216
## MasVnrTypeBrkFace -0.175 0.169 -0.080 -1.035 0.301 -0.507 0.157
## MasVnrTypeNone -0.109 0.168 -0.053 -0.647 0.518 -0.438 0.220
## MasVnrTypeStone 0.109 0.176 0.030 0.622 0.534 -0.236 0.455
## Total_Bathrooms 0.044 0.027 0.044 1.641 0.101 -0.009 0.097
## FunctionalMaj2 -0.589 0.390 -0.031 -1.512 0.131 -1.353 0.175
## FunctionalMin1 0.031 0.247 0.005 0.125 0.901 -0.454 0.516
## FunctionalMin2 0.085 0.249 0.013 0.343 0.732 -0.403 0.574
## FunctionalMod -0.024 0.269 -0.003 -0.089 0.929 -0.553 0.505
## FunctionalSev -1.423 0.728 -0.033 -1.955 0.051 -2.850 0.005
## FunctionalTyp 0.231 0.224 0.058 1.030 0.303 -0.209 0.670
## MSZoningC (all) -2.047 0.617 -0.172 -3.316 0.001 -3.258 -0.836
## MSZoningFV -1.871 0.615 -0.395 -3.042 0.002 -3.078 -0.665
## MSZoningRH -2.307 0.616 -0.239 -3.742 0.000 -3.516 -1.098
## MSZoningRL -2.017 0.595 -0.842 -3.388 0.001 -3.184 -0.849
## MSZoningRM -2.022 0.597 -0.739 -3.384 0.001 -3.193 -0.850
## LotShapeIR2 0.059 0.106 0.009 0.554 0.579 -0.150 0.267
## LotShapeIR3 -0.168 0.235 -0.012 -0.717 0.473 -0.628 0.292
## LotShapeReg 0.109 0.039 0.053 2.839 0.005 0.034 0.185
## KitchenQualTA 0.253 0.115 0.126 2.200 0.028 0.027 0.478
## KitchenQualGd 0.317 0.123 0.155 2.584 0.010 0.076 0.558
## KitchenQualEx 0.336 0.147 0.081 2.292 0.022 0.049 0.624
## KitchenQual4 1.265 0.720 0.029 1.758 0.079 -0.147 2.677
## PavedDriveP 0.042 0.133 0.006 0.315 0.753 -0.219 0.303
## PavedDriveY -0.164 0.079 -0.046 -2.077 0.038 -0.320 -0.009
## BsmtFinSF1 0.041 0.021 0.041 1.952 0.051 0.000 0.081
## GarageArea 0.034 0.023 0.034 1.472 0.141 -0.011 0.078
## PoolQCFa -0.954 0.646 -0.031 -1.477 0.140 -2.220 0.313
## PoolQCGd -2.250 0.604 -0.091 -3.726 0.000 -3.435 -1.065
## PoolQCEx 0.639 0.570 0.030 1.120 0.263 -0.479 1.757
## SaleTypeCOD -0.364 0.686 -0.064 -0.531 0.595 -1.710 0.981
## SaleTypeCon 0.126 0.832 0.004 0.152 0.879 -1.505 1.758
## SaleTypeConLD -0.227 0.703 -0.020 -0.323 0.747 -1.604 1.151
## SaleTypeConLI -0.238 0.720 -0.016 -0.331 0.741 -1.651 1.175
## SaleTypeConLw 0.061 0.763 0.003 0.079 0.937 -1.436 1.557
## SaleTypeCWD -0.670 0.720 -0.044 -0.931 0.352 -2.082 0.742
## SaleTypeNew -0.232 0.682 -0.063 -0.340 0.734 -1.570 1.106
## SaleTypeOth -0.322 0.745 -0.017 -0.432 0.666 -1.782 1.139
## SaleTypeWD -0.425 0.679 -0.145 -0.626 0.532 -1.756 0.906
## Fireplaces 0.026 0.021 0.026 1.272 0.203 -0.014 0.067
## PoolArea 1.321 0.275 1.321 4.810 0.000 0.782 1.859
## hasPoolTrue -15.954 3.425 -1.285 -4.658 0.000 -22.672 -9.235
## BldgType2fmCon -0.047 0.121 -0.007 -0.391 0.696 -0.284 0.189
## BldgTypeDuplex 0.125 0.143 0.025 0.876 0.381 -0.155 0.406
## BldgTypeTwnhs -0.058 0.144 -0.010 -0.399 0.690 -0.341 0.225
## BldgTypeTwnhsE -0.218 0.095 -0.059 -2.290 0.022 -0.406 -0.031
## YrSold2007 0.021 0.048 0.009 0.446 0.656 -0.073 0.116
## YrSold2008 0.089 0.050 0.036 1.786 0.074 -0.009 0.187
## YrSold2009 -0.004 0.049 -0.002 -0.078 0.938 -0.100 0.092
## YrSold2010 -0.031 0.058 -0.010 -0.541 0.589 -0.146 0.083
## Total_porch_SF 0.025 0.019 0.025 1.292 0.197 -0.013 0.062
## Exterior1stAsbShng -0.516 0.701 -0.059 -0.736 0.462 -1.891 0.859
## Exterior1stBrkComm -0.061 0.754 -0.003 -0.081 0.935 -1.540 1.417
## Exterior1stBrkFace -0.203 0.693 -0.035 -0.293 0.770 -1.561 1.155
## Exterior1stCBlock -1.042 0.887 -0.034 -1.175 0.240 -2.781 0.697
## Exterior1stCemntBd -0.444 0.695 -0.088 -0.639 0.523 -1.808 0.919
## Exterior1stHdBoard -0.377 0.689 -0.135 -0.547 0.584 -1.728 0.974
## Exterior1stMetalSd -0.394 0.688 -0.145 -0.573 0.567 -1.742 0.955
## Exterior1stPlywood -0.238 0.689 -0.066 -0.345 0.730 -1.590 1.114
## Exterior1stStone 0.067 0.838 0.002 0.080 0.936 -1.576 1.710
## Exterior1stStucco -0.572 0.700 -0.071 -0.817 0.414 -1.944 0.801
## Exterior1stVinylSd -0.455 0.688 -0.216 -0.660 0.509 -1.805 0.896
## Exterior1stWd Sdng -0.392 0.689 -0.134 -0.569 0.569 -1.743 0.959
## Exterior1stWdShing -0.340 0.696 -0.047 -0.489 0.625 -1.706 1.025
## --------------------------------------------------------------------------------------------------
length(modelStepForward$predictors)
## [1] 30
cat('El modelo stepforward usa', length(modelStepForward$model$coefficients), 'variables ')
## El modelo stepforward usa 111 variables
#plot(modelStepForward)
#ols_plot_resid_fit(modelStepForward$model)
Y por último, utilizando la libreria caret intentarmos obtener una reducción del número de parámetros del modelo mediante una regularización de tipo “lasso”:
gridLamdas <- expand.grid(alpha = 1, lambda = seq(0.001,0.1,by = 0.0005))
varControl <-caret::trainControl(method="cv", number=10)
lasso_mod <- train(reformulate(termlabels = var_modelo, response = 'SalePrice'), data = data.frame(trainTransformed), method='glmnet', trControl= varControl, tuneGrid=gridLamdas)
#lasso_mod$bestTune
#min(lasso_mod$results$RMSE)
lassoVarImp <- varImp(lasso_mod,scale=F)
lassoImportance <- lassoVarImp$importance
varsSelected <- length(which(lassoImportance$Overall!=0))
varsNotSelected <- length(which(lassoImportance$Overall==0))
cat(' El modelo de lasso usa', varsSelected, 'variables en el modelo, y rechazo ', varsNotSelected, 'variables.')
## El modelo de lasso usa 57 variables en el modelo, y rechazo 171 variables.
#lm_formula_2 <- as.formula(str_replace(paste("SalePrice ~ ",paste(predictors(lasso_mod) , #collapse=" + "), sep = " "),'&','.'))
#modelLasso <- lm(lm_formula_2, data = data.frame(trainTransformedDummies))
#summary(modelLasso)
Como vemos, lasso ha quitado una gran cantidad de regresores, demasiados para nuestro gusto, por lo que no podemos estar seguros de que haya funcionado correctamente.
En primer lugar almacenaremos los valores de las prediccion para la parte de test en 3 variables distintas. El segundo de los modelos da el siguiente warning ‘prediction from a rank-deficient fit may be misleading’ que no hemos sido capaces de discernir.
#valoresPredichosModeloCompleto <- predict(modelRegressionTotal,testTransformed)
#valoresPredichosModeloStepForward <- predict(modelStepForward$model,testTransformed)
#valoresPredichosModeloLasso <- predict(lasso_mod,testTransformed)
#vectorCorrelacionesModeloCompleto <- #data.frame(cbind(actuals=testTransformed$SalePrice,predicted=valoresPredichosModeloCompleto))
#correlacionModeloCompleto <- cor(vectorCorrelacionesModeloCompleto)
#vectorCorrelacionesModeloStepForward <- #data.frame(cbind(actuals=testTransformed$SalePrice,predicted=valoresPredichosModeloStepForward))
#correlacionModeloStepForward <- cor(vectorCorrelacionesModeloStepForward)
#vectorCorrelacionesModeloLasso <- #data.frame(cbind(actuals=testTransformed$SalePrice,predicted=valoresPredichosModeloLasso))
#correlacionModeloLasso <- cor(vectorCorrelacionesModeloLasso)
#cat('Correlacion modelo Completo entre predicciones train/test',correlacionModeloCompleto[1,2] )
#cat('Correlacion modelo StepForward entre predicciones #train/test',correlacionModeloStepForward[1,2] )
#cat('Correlacion modelo Lasso entre predicciones train/test',correlacionModeloLasso[1,2] )
# library(DMwR)
#regr.eval(valoresPredichosModeloCompleto,testTransformed$SalePrice)
#regr.eval(valoresPredichosModeloStepForward,testTransformed$SalePrice)
# regr.eval(valoresPredichosModeloLasso,testTransformed$SalePrice)
summary(modelRegressionTotal)
##
## Call:
## lm(formula = reformulate(termlabels = var_modelo, response = "SalePrice"),
## data = trainTransformed)
##
## Residuals:
## Min 1Q Median 3Q Max
## -2.9663 -0.3918 0.0000 0.4108 2.4806
##
## Coefficients: (2 not defined because of singularities)
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.873161 1.832456 1.022 0.306833
## TotalSF 0.180393 0.083479 2.161 0.030846 *
## GrLivArea 0.152983 0.089559 1.708 0.087795 .
## LotArea 0.145665 0.033956 4.290 1.89e-05 ***
## Total_Bathrooms 0.045240 0.028764 1.573 0.115965
## Total_porch_SF 0.033507 0.020152 1.663 0.096563 .
## MSZoningC (all) -2.445156 0.702105 -3.483 0.000510 ***
## MSZoningFV -2.238034 0.697184 -3.210 0.001353 **
## MSZoningRH -2.524866 0.707415 -3.569 0.000369 ***
## MSZoningRL -2.289244 0.678550 -3.374 0.000759 ***
## MSZoningRM -2.282102 0.675665 -3.378 0.000749 ***
## AlleyNA -0.026095 0.100870 -0.259 0.795897
## AlleyPave 0.131427 0.162535 0.809 0.418860
## LandContourHLS 0.010992 0.131022 0.084 0.933152
## LandContourLow 0.289246 0.161928 1.786 0.074244 .
## LandContourLvl 0.199976 0.099875 2.002 0.045425 *
## LotConfigCulDSac 0.022405 0.087672 0.256 0.798331
## LotConfigFR2 -0.070788 0.110754 -0.639 0.522821
## LotConfigFR3 0.046848 0.225196 0.208 0.835231
## LotConfigInside -0.028665 0.046538 -0.616 0.538021
## Condition1Feedr 0.153309 0.122406 1.252 0.210582
## Condition1Norm 0.218536 0.100787 2.168 0.030281 *
## Condition1PosA 0.031731 0.213062 0.149 0.881628
## Condition1PosN 0.086515 0.179578 0.482 0.630035
## Condition1RRAe 0.043524 0.207988 0.209 0.834272
## Condition1RRAn 0.137167 0.166737 0.823 0.410827
## Condition1RRNe 0.261381 0.431618 0.606 0.544876
## Condition1RRNn 0.203405 0.287846 0.707 0.479889
## BldgType2fmCon 0.006627 0.132725 0.050 0.960182
## BldgTypeDuplex 0.286474 0.167303 1.712 0.087031 .
## BldgTypeTwnhs -0.074779 0.153068 -0.489 0.625239
## BldgTypeTwnhsE -0.229889 0.103296 -2.226 0.026183 *
## HouseStyle1.5Unf -0.277059 0.259092 -1.069 0.285073
## HouseStyle1Story 0.032941 0.152621 0.216 0.829142
## HouseStyle2.5Fin 0.140841 0.506826 0.278 0.781134
## HouseStyle2.5Unf -0.347044 0.207996 -1.669 0.095408 .
## HouseStyle2Story -0.005198 0.075457 -0.069 0.945083
## HouseStyleSFoyer 0.072151 0.189756 0.380 0.703824
## HouseStyleSLvl 0.112464 0.146511 0.768 0.442828
## RoofStyleGable 0.169156 0.270306 0.626 0.531539
## RoofStyleGambrel 0.347604 0.327405 1.062 0.288533
## RoofStyleHip 0.132636 0.273405 0.485 0.627653
## RoofStyleMansard -0.312093 0.384703 -0.811 0.417337
## RoofStyleShed 0.164231 0.411541 0.399 0.689899
## Exterior1stAsbShng -0.508201 0.810174 -0.627 0.530569
## Exterior1stBrkComm -0.440102 0.851005 -0.517 0.605119
## Exterior1stBrkFace -0.298877 0.778683 -0.384 0.701159
## Exterior1stCBlock -1.737712 1.071797 -1.621 0.105147
## Exterior1stCemntBd -0.410769 1.050698 -0.391 0.695887
## Exterior1stHdBoard -0.688059 0.778320 -0.884 0.376811
## Exterior1stMetalSd -0.743899 0.787750 -0.944 0.345141
## Exterior1stPlywood -0.477188 0.777368 -0.614 0.539401
## Exterior1stStone 0.018152 0.937201 0.019 0.984549
## Exterior1stStucco -0.828993 0.789657 -1.050 0.293961
## Exterior1stVinylSd -0.979024 0.789778 -1.240 0.215297
## Exterior1stWd Sdng -0.550712 0.774996 -0.711 0.477435
## Exterior1stWdShing -0.570756 0.768840 -0.742 0.457978
## Exterior2ndAsbShng -0.464362 0.298608 -1.555 0.120121
## Exterior2ndBrk Cmn 0.082500 0.364477 0.226 0.820956
## Exterior2ndBrkFace -0.365681 0.225073 -1.625 0.104418
## Exterior2ndCBlock 0.447750 0.541200 0.827 0.408173
## Exterior2ndCmentBd -0.346287 0.738867 -0.469 0.639367
## Exterior2ndHdBoard -0.013012 0.171336 -0.076 0.939473
## Exterior2ndImStucc -0.122362 0.274857 -0.445 0.656247
## Exterior2ndMetalSd 0.011399 0.214608 0.053 0.957648
## Exterior2ndOther 1.017252 0.734087 1.386 0.166018
## Exterior2ndPlywood -0.096727 0.163972 -0.590 0.555340
## Exterior2ndStone 0.027157 0.408054 0.067 0.946947
## Exterior2ndStucco 0.041575 0.219346 0.190 0.849694
## Exterior2ndVinylSd 0.185178 0.209234 0.885 0.376272
## Exterior2ndWd Sdng -0.171907 0.156471 -1.099 0.272087
## Exterior2ndWd Shng NA NA NA NA
## MasVnrTypeBrkCmn -0.278443 0.242129 -1.150 0.250324
## MasVnrTypeBrkFace -0.146189 0.175465 -0.833 0.404883
## MasVnrTypeNone -0.057616 0.173060 -0.333 0.739236
## MasVnrTypeStone 0.153377 0.181561 0.845 0.398365
## FoundationCBlock -0.058583 0.083475 -0.702 0.482907
## FoundationPConc -0.010107 0.088418 -0.114 0.909003
## FoundationSlab -0.218170 0.263467 -0.828 0.407752
## FoundationStone 0.317134 0.287023 1.105 0.269364
## FoundationWood 0.256771 0.513848 0.500 0.617353
## HeatingGasA 1.132389 0.752597 1.505 0.132612
## HeatingGasW 1.073508 0.769609 1.395 0.163246
## HeatingGrav 0.017877 0.822403 0.022 0.982660
## HeatingOthW -0.148377 1.045900 -0.142 0.887204
## HeatingWall 0.481179 0.854487 0.563 0.573431
## SaleTypeCOD -0.266214 0.716409 -0.372 0.710243
## SaleTypeCon 0.196229 0.860092 0.228 0.819559
## SaleTypeConLD -0.302795 0.732663 -0.413 0.679457
## SaleTypeConLI -0.309013 0.751770 -0.411 0.681093
## SaleTypeConLw 0.171383 0.795019 0.216 0.829349
## SaleTypeCWD -0.568876 0.749575 -0.759 0.448004
## SaleTypeNew -0.467706 0.875009 -0.535 0.593059
## SaleTypeOth -0.245576 0.774944 -0.317 0.751364
## SaleTypeWD -0.382044 0.706756 -0.541 0.588885
## SaleConditionAdjLand -0.020796 0.317797 -0.065 0.947834
## SaleConditionAlloca 0.014044 0.230180 0.061 0.951356
## SaleConditionFamily 0.069683 0.148479 0.469 0.638909
## SaleConditionNormal 0.051747 0.075131 0.689 0.491074
## SaleConditionPartial 0.326691 0.503789 0.648 0.516775
## YearBuilt1930_1960 0.290372 0.085914 3.380 0.000743 ***
## YearBuilt1960_1990 0.366042 0.120420 3.040 0.002406 **
## YearBuilt1990_ 0.422451 0.153033 2.761 0.005836 **
## YearRemodAdd1960_1990 -0.019312 0.080401 -0.240 0.810206
## YearRemodAdd1990_ 0.007128 0.072373 0.098 0.921554
## MasVnrArea 0.019501 0.026516 0.735 0.462182
## MoSold2 0.118219 0.115451 1.024 0.306003
## MoSold3 0.197929 0.100414 1.971 0.048879 *
## MoSold4 0.164439 0.098429 1.671 0.094987 .
## MoSold5 0.126838 0.094363 1.344 0.179090
## MoSold6 0.151766 0.092140 1.647 0.099726 .
## MoSold7 0.148925 0.092746 1.606 0.108529
## MoSold8 0.288632 0.103965 2.776 0.005563 **
## MoSold9 0.217130 0.111542 1.947 0.051755 .
## MoSold10 0.154125 0.111569 1.381 0.167338
## MoSold11 0.199082 0.109555 1.817 0.069373 .
## MoSold12 0.297279 0.121407 2.449 0.014446 *
## YrSold2007 0.025579 0.050480 0.507 0.612432
## YrSold2008 0.091284 0.052405 1.742 0.081716 .
## YrSold2009 0.006322 0.051491 0.123 0.902291
## YrSold2010 0.008170 0.063785 0.128 0.898098
## OverallQual 0.065800 0.026111 2.520 0.011832 *
## OverallCond 0.083004 0.022031 3.768 0.000171 ***
## PavedDriveP 0.044357 0.141635 0.313 0.754186
## PavedDriveY -0.186198 0.088041 -2.115 0.034592 *
## PoolArea 1.400546 0.293639 4.770 2.01e-06 ***
## PoolQCFa -0.751910 0.679666 -1.106 0.268765
## PoolQCGd -2.316427 0.645019 -3.591 0.000339 ***
## PoolQCEx 0.674645 0.616015 1.095 0.273603
## FenceGdWo 0.120959 0.123214 0.982 0.326393
## FenceMnPrv 0.028706 0.101073 0.284 0.776438
## FenceMnWw -0.387087 0.254938 -1.518 0.129120
## FenceNA 0.054775 0.090795 0.603 0.546405
## BsmtFinSF1 0.042315 0.023703 1.785 0.074415 .
## ElectricalFuseA 0.091276 0.706482 0.129 0.897217
## ElectricalFuseF -0.028277 0.718665 -0.039 0.968619
## ElectricalFuseP 0.004985 0.889310 0.006 0.995528
## ElectricalSBrkr 0.134375 0.703635 0.191 0.848571
## FunctionalMaj2 -0.692342 0.415553 -1.666 0.095893 .
## FunctionalMin1 0.003609 0.260590 0.014 0.988951
## FunctionalMin2 -0.089700 0.264518 -0.339 0.734574
## FunctionalMod -0.111250 0.282150 -0.394 0.693417
## FunctionalSev -0.949368 0.839976 -1.130 0.258546
## FunctionalTyp 0.134947 0.236059 0.572 0.567628
## ExterCondTA -0.047597 0.130745 -0.364 0.715870
## ExterCondGd -0.151094 0.141042 -1.071 0.284206
## ExterCondEx -0.037306 0.295392 -0.126 0.899514
## ExterQualTA 0.040952 0.206306 0.199 0.842677
## ExterQualGd 0.118856 0.214934 0.553 0.580347
## ExterQualEx 0.083548 0.248888 0.336 0.737152
## BsmtQualFa 0.065466 0.534163 0.123 0.902472
## BsmtQualTA -0.268037 0.525664 -0.510 0.610190
## BsmtQualGd -0.229221 0.528648 -0.434 0.664638
## BsmtQualEx -0.101198 0.538344 -0.188 0.850916
## BsmtExposureNo 0.446589 0.437008 1.022 0.306970
## BsmtExposureMn 0.510761 0.441033 1.158 0.246994
## BsmtExposureAv 0.462751 0.439897 1.052 0.292978
## BsmtExposureGd 0.405378 0.444795 0.911 0.362230
## BsmtFinType1Unf -0.530980 0.529141 -1.003 0.315782
## BsmtFinType1LwQ -0.614832 0.536518 -1.146 0.251979
## BsmtFinType1Rec -0.593191 0.536255 -1.106 0.268817
## BsmtFinType1BLQ -0.614346 0.538288 -1.141 0.253916
## BsmtFinType1ALQ -0.343969 0.546737 -0.629 0.529352
## BsmtFinType1GLQ -0.760802 0.547486 -1.390 0.164834
## BsmtUnfSF 0.001617 0.027046 0.060 0.952344
## HeatingQCFa -0.162798 0.551453 -0.295 0.767866
## HeatingQCTA -0.261948 0.538554 -0.486 0.626756
## HeatingQCGd -0.220952 0.539058 -0.410 0.681944
## HeatingQCEx -0.212473 0.538464 -0.395 0.693197
## CentralAirY 0.019999 0.096001 0.208 0.835002
## KitchenQualTA 0.250092 0.124330 2.012 0.044436 *
## KitchenQualGd 0.277087 0.133189 2.080 0.037646 *
## KitchenQualEx 0.311923 0.159731 1.953 0.051016 .
## KitchenQual4 1.325591 0.754300 1.757 0.079043 .
## Fireplaces 0.052891 0.042418 1.247 0.212618
## FireplaceQuPo 0.055933 0.148699 0.376 0.706857
## FireplaceQuFa -0.017918 0.131385 -0.136 0.891538
## FireplaceQuTA -0.113545 0.090696 -1.252 0.210776
## FireplaceQuGd -0.077245 0.089040 -0.868 0.385779
## FireplaceQuEx -0.003119 0.166826 -0.019 0.985083
## BedroomAbvGr 0.077538 0.026144 2.966 0.003063 **
## KitchenAbvGr -0.111272 0.031674 -3.513 0.000455 ***
## LotShapeIR2 0.052390 0.113077 0.463 0.643200
## LotShapeIR3 -0.155584 0.242110 -0.643 0.520564
## LotShapeReg 0.128445 0.041658 3.083 0.002082 **
## GarageTypeAttchd -0.039130 0.199315 -0.196 0.844383
## GarageTypeBasment 0.048964 0.275689 0.178 0.859056
## GarageTypeBuiltIn 0.020755 0.212542 0.098 0.922220
## GarageTypeCarPort -0.355745 0.296749 -1.199 0.230780
## GarageTypeDetchd -0.066162 0.199811 -0.331 0.740593
## GarageTypeNA -0.432061 0.566778 -0.762 0.445986
## GarageArea 0.008125 0.028772 0.282 0.777689
## GarageQualFa -0.301099 0.490694 -0.614 0.539554
## GarageQualTA -0.390393 0.499033 -0.782 0.434155
## GarageQualGd -0.266408 0.548029 -0.486 0.626947
## GarageQualEx -1.232019 1.020068 -1.208 0.227308
## GarageQualNA -0.563219 0.702922 -0.801 0.423103
## GarageCondFa -0.552135 0.292534 -1.887 0.059283 .
## GarageCondTA -0.415249 0.282428 -1.470 0.141681
## GarageCondGd -0.196843 0.403632 -0.488 0.625842
## GarageCondEx 0.131863 0.791254 0.167 0.867666
## GarageCondNA NA NA NA NA
## NeighborhoodBlueste -0.051384 0.357216 -0.144 0.885639
## NeighborhoodBrDale -0.496274 0.313465 -1.583 0.113574
## NeighborhoodBrkSide -0.567702 0.257380 -2.206 0.027546 *
## NeighborhoodClearCr -0.413326 0.259552 -1.592 0.111477
## NeighborhoodCollgCr -0.462330 0.210417 -2.197 0.028148 *
## NeighborhoodCrawfor -0.160134 0.234571 -0.683 0.494913
## NeighborhoodEdwards -0.751311 0.226676 -3.314 0.000939 ***
## NeighborhoodGilbert -0.428278 0.223092 -1.920 0.055068 .
## NeighborhoodIDOTRR -0.451750 0.275070 -1.642 0.100721
## NeighborhoodMeadowV -0.298003 0.296079 -1.006 0.314327
## NeighborhoodMitchel -0.514477 0.227451 -2.262 0.023835 *
## NeighborhoodNAmes -0.454508 0.220703 -2.059 0.039619 *
## NeighborhoodNoRidge -0.125535 0.235355 -0.533 0.593840
## NeighborhoodNPkVill -0.477534 0.354201 -1.348 0.177783
## NeighborhoodNridgHt -0.380070 0.216510 -1.755 0.079374 .
## NeighborhoodNWAmes -0.538648 0.231885 -2.323 0.020308 *
## NeighborhoodOldTown -0.594101 0.255786 -2.323 0.020322 *
## NeighborhoodSawyer -0.425890 0.230510 -1.848 0.064844 .
## NeighborhoodSawyerW -0.483545 0.219933 -2.199 0.028048 *
## NeighborhoodSomerst -0.544850 0.244905 -2.225 0.026237 *
## NeighborhoodStoneBr -0.052980 0.239907 -0.221 0.825248
## NeighborhoodSWISU -0.323531 0.258114 -1.253 0.210225
## NeighborhoodTimber -0.475600 0.231761 -2.052 0.040320 *
## NeighborhoodVeenker -0.784932 0.291703 -2.691 0.007200 **
## hasPoolTrue -16.979619 3.658745 -4.641 3.75e-06 ***
## has2ndFloorTrue 0.078572 0.148910 0.528 0.597814
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.6719 on 1613 degrees of freedom
## Multiple R-squared: 0.6039, Adjusted R-squared: 0.5486
## F-statistic: 10.93 on 225 and 1613 DF, p-value: < 2.2e-16
summary(modelStepForward$model)
##
## Call:
## lm(formula = paste(response, "~", paste(preds, collapse = " + ")),
## data = l)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.2224 -0.4198 0.0000 0.4382 2.5542
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.416987 1.360074 0.307 0.759192
## TotalSF 0.159358 0.049796 3.200 0.001398 **
## OverallQual 0.070532 0.023689 2.977 0.002948 **
## LotArea 0.130087 0.031459 4.135 3.72e-05 ***
## GrLivArea 0.181689 0.049216 3.692 0.000230 ***
## YearBuilt1930_1960 0.257917 0.072147 3.575 0.000360 ***
## YearBuilt1960_1990 0.336677 0.093937 3.584 0.000348 ***
## YearBuilt1990_ 0.456338 0.124775 3.657 0.000263 ***
## OverallCond 0.085935 0.017836 4.818 1.58e-06 ***
## HeatingGasA 1.348436 0.688429 1.959 0.050307 .
## HeatingGasW 1.288143 0.709574 1.815 0.069640 .
## HeatingGrav 0.298811 0.739736 0.404 0.686304
## HeatingOthW 0.202814 0.969394 0.209 0.834303
## HeatingWall 0.801801 0.749310 1.070 0.284745
## NeighborhoodBlueste -0.185089 0.341914 -0.541 0.588348
## NeighborhoodBrDale -0.461982 0.293236 -1.575 0.115332
## NeighborhoodBrkSide -0.507046 0.242721 -2.089 0.036853 *
## NeighborhoodClearCr -0.331777 0.245596 -1.351 0.176904
## NeighborhoodCollgCr -0.405246 0.203601 -1.990 0.046705 *
## NeighborhoodCrawfor -0.023711 0.223855 -0.106 0.915656
## NeighborhoodEdwards -0.688234 0.216534 -3.178 0.001507 **
## NeighborhoodGilbert -0.371564 0.213606 -1.739 0.082127 .
## NeighborhoodIDOTRR -0.443034 0.258860 -1.711 0.087172 .
## NeighborhoodMeadowV -0.283910 0.281659 -1.008 0.313599
## NeighborhoodMitchel -0.474377 0.217431 -2.182 0.029263 *
## NeighborhoodNAmes -0.449362 0.210847 -2.131 0.033212 *
## NeighborhoodNoRidge -0.116298 0.221312 -0.525 0.599309
## NeighborhoodNPkVill -0.411794 0.261706 -1.573 0.115786
## NeighborhoodNridgHt -0.287654 0.205724 -1.398 0.162216
## NeighborhoodNWAmes -0.588828 0.220013 -2.676 0.007514 **
## NeighborhoodOldTown -0.544349 0.240276 -2.266 0.023604 *
## NeighborhoodSawyer -0.428856 0.219985 -1.949 0.051400 .
## NeighborhoodSawyerW -0.455298 0.210757 -2.160 0.030887 *
## NeighborhoodSomerst -0.511796 0.234577 -2.182 0.029260 *
## NeighborhoodStoneBr 0.097860 0.229415 0.427 0.669751
## NeighborhoodSWISU -0.220667 0.243399 -0.907 0.364741
## NeighborhoodTimber -0.397741 0.222324 -1.789 0.073788 .
## NeighborhoodVeenker -0.827594 0.273145 -3.030 0.002483 **
## KitchenAbvGr -0.098499 0.028761 -3.425 0.000630 ***
## BedroomAbvGr 0.092274 0.023879 3.864 0.000116 ***
## BsmtQualFa 0.113725 0.170430 0.667 0.504679
## BsmtQualTA -0.245474 0.146703 -1.673 0.094455 .
## BsmtQualGd -0.173330 0.154235 -1.124 0.261253
## BsmtQualEx -0.091989 0.178820 -0.514 0.607023
## LandContourHLS 0.014209 0.122741 0.116 0.907854
## LandContourLow 0.309500 0.151771 2.039 0.041576 *
## LandContourLvl 0.247845 0.091801 2.700 0.007006 **
## MasVnrTypeBrkCmn -0.238835 0.231963 -1.030 0.303329
## MasVnrTypeBrkFace -0.175022 0.169180 -1.035 0.301031
## MasVnrTypeNone -0.108563 0.167744 -0.647 0.517591
## MasVnrTypeStone 0.109466 0.176104 0.622 0.534288
## Total_Bathrooms 0.044158 0.026916 1.641 0.101074
## FunctionalMaj2 -0.588970 0.389514 -1.512 0.130701
## FunctionalMin1 0.030913 0.247314 0.125 0.900543
## FunctionalMin2 0.085403 0.248925 0.343 0.731576
## FunctionalMod -0.023956 0.269483 -0.089 0.929174
## FunctionalSev -1.422820 0.727802 -1.955 0.050749 .
## FunctionalTyp 0.230779 0.224073 1.030 0.303187
## MSZoningC (all) -2.047360 0.617447 -3.316 0.000933 ***
## MSZoningFV -1.871321 0.615192 -3.042 0.002387 **
## MSZoningRH -2.307008 0.616448 -3.742 0.000188 ***
## MSZoningRL -2.016788 0.595223 -3.388 0.000719 ***
## MSZoningRM -2.021640 0.597367 -3.384 0.000730 ***
## LotShapeIR2 0.058946 0.106329 0.554 0.579397
## LotShapeIR3 -0.168251 0.234553 -0.717 0.473271
## LotShapeReg 0.109470 0.038559 2.839 0.004578 **
## KitchenQualTA 0.252891 0.114929 2.200 0.027909 *
## KitchenQualGd 0.316997 0.122693 2.584 0.009857 **
## KitchenQualEx 0.336498 0.146828 2.292 0.022038 *
## KitchenQual4 1.264959 0.719729 1.758 0.079001 .
## PavedDriveP 0.041959 0.133114 0.315 0.752643
## PavedDriveY -0.164432 0.079174 -2.077 0.037963 *
## BsmtFinSF1 0.040592 0.020794 1.952 0.051093 .
## GarageArea 0.033623 0.022846 1.472 0.141273
## PoolQCFa -0.953747 0.645735 -1.477 0.139859
## PoolQCGd -2.250049 0.603958 -3.726 0.000201 ***
## PoolQCEx 0.638563 0.569999 1.120 0.262747
## SaleTypeCOD -0.364350 0.685888 -0.531 0.595342
## SaleTypeCon 0.126409 0.831892 0.152 0.879241
## SaleTypeConLD -0.226571 0.702530 -0.323 0.747107
## SaleTypeConLI -0.238303 0.720461 -0.331 0.740863
## SaleTypeConLw 0.060657 0.762980 0.079 0.936644
## SaleTypeCWD -0.670072 0.720037 -0.931 0.352187
## SaleTypeNew -0.231915 0.682148 -0.340 0.733915
## SaleTypeOth -0.321652 0.744549 -0.432 0.665789
## SaleTypeWD -0.424518 0.678620 -0.626 0.531685
## Fireplaces 0.026485 0.020815 1.272 0.203418
## PoolArea 1.320647 0.274557 4.810 1.64e-06 ***
## hasPoolTrue -15.953696 3.425323 -4.658 3.44e-06 ***
## BldgType2fmCon -0.047147 0.120520 -0.391 0.695702
## BldgTypeDuplex 0.125433 0.143124 0.876 0.380940
## BldgTypeTwnhs -0.057608 0.144308 -0.399 0.689794
## BldgTypeTwnhsE -0.218455 0.095379 -2.290 0.022119 *
## YrSold2007 0.021424 0.048090 0.446 0.656014
## YrSold2008 0.089265 0.049969 1.786 0.074207 .
## YrSold2009 -0.003819 0.049105 -0.078 0.938019
## YrSold2010 -0.031497 0.058228 -0.541 0.588625
## Total_porch_SF 0.024558 0.019013 1.292 0.196654
## Exterior1stAsbShng -0.516130 0.701197 -0.736 0.461788
## Exterior1stBrkComm -0.061268 0.753738 -0.081 0.935225
## Exterior1stBrkFace -0.202983 0.692611 -0.293 0.769504
## Exterior1stCBlock -1.041946 0.886571 -1.175 0.240055
## Exterior1stCemntBd -0.444468 0.695243 -0.639 0.522713
## Exterior1stHdBoard -0.376837 0.688827 -0.547 0.584401
## Exterior1stMetalSd -0.393761 0.687503 -0.573 0.566894
## Exterior1stPlywood -0.238014 0.689264 -0.345 0.729899
## Exterior1stStone 0.067249 0.837717 0.080 0.936026
## Exterior1stStucco -0.571769 0.699726 -0.817 0.413965
## Exterior1stVinylSd -0.454594 0.688476 -0.660 0.509156
## Exterior1stWd Sdng -0.391863 0.688752 -0.569 0.569467
## Exterior1stWdShing -0.340235 0.696225 -0.489 0.625127
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.6659 on 1728 degrees of freedom
## Multiple R-squared: 0.5832, Adjusted R-squared: 0.5566
## F-statistic: 21.98 on 110 and 1728 DF, p-value: < 2.2e-16
min(lasso_mod$results$RMSE)
## [1] 0.7109655
par(mfrow=c(2,2))
plot(modelRegressionTotal)
## Warning: not plotting observations with leverage one:
## 118, 584, 718, 799, 903, 1077, 1094, 1143, 1323, 1426
## Warning: not plotting observations with leverage one:
## 118, 584, 718, 799, 903, 1077, 1094, 1143, 1323, 1426
plot(modelRegressionTotal,4,id.n=5)
plot(modelRegressionTotal,5,id.n=5)
## Warning: not plotting observations with leverage one:
## 118, 584, 718, 799, 903, 1077, 1094, 1143, 1323, 1426
par(mfrow=c(2,2))
plot(modelStepForward$model)
## Warning: not plotting observations with leverage one:
## 118, 718, 799, 1077, 1094, 1426
## Warning: not plotting observations with leverage one:
## 118, 718, 799, 1077, 1094, 1426
plot(modelStepForward$model,4,id.n=5)
plot(modelStepForward$model,5,id.n=5)
## Warning: not plotting observations with leverage one:
## 118, 718, 799, 1077, 1094, 1426